From Similarity to Superiority: Channel Clustering for Time Series Forecasting

时间序列预测在近几十年中受到了相当大的关注。先前的研究表明，独立通道（CI）策略通过单独处理不同通道来提高预测性能，但它会导致在未知实例上的泛化能力差，并忽略通道之间可能必要的交互作用。相反，混合所有通道的通道相关（CD）策略包含了甚至是不相关和不加区分的信息，这会导致过度平滑的问题并限制预测准确性。缺乏一种通道策略，既可以有效地平衡单独通道的处理以提高预测性能，又不会忽略通道之间的重要交互作用。受到我们观察到的时间序列模型性能提升与一对通道之间的内在相似度之间的相关性的启发，我们开发了一种新颖且适应性强的通道聚类模块（CCM）。CCM动态地将具有内在相似性的通道分组，并利用聚类身份而不是通道身份，结合了CD和CI两个世界的优点。对真实世界数据集的大量实验表明，CCM可以（1）平均提高长期和短期预测的CI和CD模型性能2.4％和7.2％；（2）使主流时间序列预测模型实现零样本预测；（3）揭示通道之间的内在时间序列模式，并提高复杂时间序列模型的可解释性。

如何平衡对不同信道的个体处理和信道之间的相互作用以实现更好的时间序列预测性能？

使用动态信道聚类模块（CCM）来组织具有内在相似性的信道，并利用聚类身份而不是信道身份来提高预测性能。

CCM可以提高长期和短期预测的CI和CD模型的性能，使得零-shot预测成为可能，并提高复杂时间序列模型的可解释性。实验使用真实世界数据集进行，并展示了CCM的有效性。

最近的相关研究包括基于聚类的时间序列预测和信道相关性建模的研究。