- 简介时间序列预测已经成为许多不同应用领域的重要领域,包括经济分析、气象等。大多数时间序列预测模型使用均方误差(MSE)进行训练。然而,基于MSE的训练会导致一个称为预测延迟的限制。预测延迟意味着真实值先于预测值出现,这可能会在各种领域(如金融和天气预测)中引起严重问题。实际上,尽管其MSE可能很低,但在观察到真实值之后进行的预测并没有实际意义。本文提出了传统时间序列预测任务的新视角,并介绍了一种缓解预测延迟的新解决方案。我们介绍了一种基于神经常微分方程(NODE)的连续时间门控循环单元(GRU),它可以监督显式的时间导数。我们以连续时间的方式推广GRU架构,并通过我们的时间导数正则化来最小化预测延迟。我们的方法在MSE、动态时间扭曲(DTW)和时间扭曲指数(TDI)等指标上表现优异。此外,我们展示了我们的方法在各种数据集中的低预测延迟。
- 解决问题论文试图解决MSE训练在时间序列预测中存在的预测延迟问题,提出一种新的解决方案。
- 关键思路论文提出了一种基于神经常微分方程(NODE)的连续时间门控循环单元(GRU)模型,通过监督显式时间导数,实现了GRU结构的连续时间推广,并通过时间导数正则化来减少预测延迟。
- 其它亮点实验表明,该方法在MSE、动态时间扭曲(DTW)和时间扭曲指数(TDI)等指标上优于其他方法。论文还使用了多个数据集进行了实验,并展示了该方法的低预测延迟。论文的代码已经开源。
- 在这个领域中,最近的相关研究包括:《DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks》、《Time Series Forecasting with Deep Learning: A Survey》等。
沙发等你来抢
去评论
评论
沙发等你来抢