SparseTSF: Modeling Long-term Time Series Forecasting with 1k Parameters

本论文介绍了SparseTSF，一种新颖、极轻量级的长期时间序列预测（LTSF）模型，旨在通过最小的计算资源来解决建模复杂的时间依赖性和长时间跨度的挑战。SparseTSF的核心是交叉周期稀疏预测技术，通过将时间序列数据的周期性和趋势解耦来简化预测任务。该技术涉及将原始序列下采样以便于交叉周期趋势预测，有效地提取周期特征同时最小化模型的复杂度和参数数量。基于这种技术，SparseTSF模型使用少于1k个参数来实现与最先进模型相比具有竞争力或更优异的性能。此外，SparseTSF展示了卓越的泛化能力，适用于计算资源有限、样本较小或数据质量较低的场景。代码可在https://github.com/lss-1138/SparseTSF上获得。

SparseTSF旨在通过使用Cross-Period Sparse Forecasting技术，以最小的计算资源来解决长期时间序列预测的挑战，同时处理复杂的时间依赖关系。

Cross-Period Sparse Forecasting技术将时间序列数据分解为周期性和趋势两个部分，使用下采样来提取周期性特征，从而简化预测任务，减少模型的复杂性和参数数量。

SparseTSF模型使用少于1k个参数来实现与最先进模型相当或更优的性能，具有出色的泛化能力，适用于计算资源有限、样本数量少或数据质量较低的场景。研究者提供了开源代码。

最近的相关研究包括DeepAR、Prophet等。