Long-term Forecasting with TiDE: Time-series Dense Encoder

解决问题：该论文旨在解决长期时间序列预测的问题，提出了一种基于多层感知器（MLP）的编码器-解码器模型TiDE，旨在实现简单、快速的线性模型的同时，能够处理协变量和非线性依赖关系。这个问题并不是新问题，但是该论文提出的解决方案是新颖的。

关键思路：该论文的关键思路是提出了一种基于MLP的编码器-解码器模型TiDE，能够实现长期时间序列预测。相比当前领域的研究状况，该论文的思路创新之处在于提出了一种简单而快速的模型，能够同时处理协变量和非线性依赖关系。

其他亮点：该论文的实验设计使用了流行的长期时间序列预测基准测试数据集，并展示了TiDE模型的性能优于之前的方法，同时比最佳Transformer模型快5-10倍。该论文未提供开源代码。该论文的贡献在于提出了一种新颖的模型，能够解决长期时间序列预测问题，并且具有实用性和高效性。

关于作者：Abhimanyu Das、Weihao Kong、Andrew Leach、Rajat Sen和Rose Yu是该论文的主要作者。他们分别来自加州大学伯克利分校和卡内基梅隆大学。他们之前的代表作包括：Das和Yu提出了一种基于图形神经网络的方法来解决图形分类问题，Leach和Kong提出了一种基于半监督学习的方法来解决图像分类问题，Sen和Yu提出了一种基于深度学习的方法来解决对话系统中的实体识别问题。

相关研究：近期其他相关的研究包括：1）"DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks"（David Salinas和Valentin Flunkert，亚马逊人工智能）；2）"Gated Recurrent Neural Networks for Time Series Forecasting with Missing Values"（Xiaoyong Jin和Xiaobo Shen，香港城市大学）；3）"A Hybrid Deep Learning Framework for Time Series Prediction with Missing Values"（Jianbo Yang和Jianxin Wu，南京大学）。

论文摘要：最近的研究表明，在长期时间序列预测中，简单的线性模型可以胜过几种基于Transformer的方法。出于这个原因，我们提出了一种基于多层感知机（MLP）的编码器-解码器模型，名为时间序列密集编码器（TiDE），用于长期时间序列预测。该模型具有线性模型的简单性和速度，同时也能够处理协变量和非线性依赖关系。理论上，我们证明了我们模型的最简线性类比可以在一些假设下实现线性动态系统（LDS）的近似最优误差率。实证上，我们展示了我们的方法可以在流行的长期时间序列预测基准测试中匹配或胜过先前的方法，同时比最佳的基于Transformer的模型快5-10倍。

内容中包含的图片若涉及版权问题，请及时与我们联系删除