Revisiting the Efficacy of Signal Decomposition in AI-based Time Series Prediction

时间序列预测是科学探索中的一个基本问题，人工智能（AI）技术大大增强了其效率和准确性。在基于AI的时间序列预测中，将物理知识注入神经网络通过信号分解方法是一个成熟的范例，并且在许多场景中都取得了进展。然而，我们发现有不可忽略的证据挑战了信号分解在基于AI的时间序列预测中的有效性。我们确认，不恰当的数据集处理可能会产生微妙的未来标签泄漏，这种做法不幸地被广泛采用，可能会产生异常优越但误导性的结果。通过以严格因果方式处理数据，没有任何未来信息，附加分解信号的有效性将会降低。我们的工作可能识别出时间序列建模中根深蒂固且普遍存在的错误，相关领域的实际进展预计将被重新审视和校准，以防止未来的科学误导并最小化实际损失。

论文试图验证通过信号分解方法注入物理知识到神经网络中是否有效，以及数据集处理中可能存在的问题。

通过严格的因果方式处理数据集，可以减少信号分解方法的有效性。论文指出当前时间序列建模中存在的问题，并提出需要重新评估和校准相关领域的进展。

论文发现当前数据集处理中存在未来标签泄漏的问题，可能导致异常优越但误导性的结果。实验使用了多个数据集进行验证，并提供了开源代码。值得深入研究的是数据集处理中的问题对于其他领域是否也存在。

最近的相关研究包括：'A Survey on Time Series Forecasting using Artificial Intelligence Techniques'，'DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks'，'Long Short-Term Memory for Time Series Forecasting: A Systematic Review'等。