时间序列预测模型复制过去：如何缓解

Jul, 2022

时间序列预测模型复制过去：如何缓解

Time Series Forecasting Models Copy the Past: How to Mitigate

Chrysoula Kosma, Giannis Nikolentzos, Nancy Xu, Michalis Vazirgiannis

TL;DR本文探讨神经网络中应用于时间序列预测的一些问题，提出了一种正则化方法，该方法能够缓解预测中所观测到的问题，并在合成和真实数据集上进行了评估。

Abstract

time series forecasting is at the core of important application domains posing significant challenges to machine learning algorithms. Recently neural network architectures have been widely applied to the problem

time series neural network loss function regularization forecasting

发现论文，激发创造

时间序列建模和预测入门研究

本文研究了时间序列建模和预测，分别介绍了随机、神经网络和 SVM 基于模型的预测。实验结果表明不同模型的预测表现，以及采用不同评价指标评价不同模型。

Feb, 2013

长期时间序列预测的损失形成约束

长期时间序列预测中，通过基于约束学习的方法在平均性能表现上找到最佳模型，以保持在每个时间步上的损失约束，从而塑造预测窗口中的误差分布。

Feb, 2024

Mlinear：重新思考时间序列预测中的线性模型

本文提出了一种基于线性模型的高效时间序列预测模型，其核心组成部分包括：（1）将单通道和多通道数据的不同语义进行集成，对数据进行联合预测；（2）使用一种新的损失函数来替代传统的 MSE 和 MAE 损失以达到更高的预测精度。在广泛使用的基准时间序列数据集上，我们的模型不仅性能优于当前的 SOTA，而且速度提高了 10 倍，并且比最新的 SOTA 模型参数更少。

May, 2023

深度学习和基础模型在时间序列预测中的调查

深度学习在时间序列预测方面取得了显著优势，然而在大流行预测领域仍存在挑战，如训练数据不足和模型的可解释性。此文献综述了几种先进的建模技术，并提供了进一步研究的建议。

Jan, 2024

时间序列预测是否真的需要深度学习模型？

本文介绍了一种基于时间序列的深度学习方法及其与传统机器学习方法的比较结果，结果表明，输入变换可以提高传统 GBRT 模型的性能，使其优于所有评估的最新 DNN 模型。

Jan, 2021

基于记忆网络的多元时间序列预测解决方案

提出了一种名为基于记忆的时序网络的深度学习模型，具有较强的可解释性，旨在解决传统方法无法捕捉复杂模式或在多重变量中融合信息的问题。

Sep, 2018

线性时间序列预测模型分析

线性模型在时间序列预测方面表现出色，特征归一化改善了模型泛化能力；分析了可使用这些线性模型体系结构表示的函数集合；证明了几种流行的线性模型变体等效于标准的无约束线性回归；每个模型可以重新解释为在适当增强的特征集上的无约束线性回归，因此在使用均方损失函数时具有闭式解；实验证明所检验模型的学习解几乎相同，进一步证明简洁的闭式解在 72％的测试情景中是更好的预测模型。

Mar, 2024

一种端到端的时间序列模型，用于同时进行填充和预测

本文提出了一个基于神经网络的端到端模型，可以在存在缺失值的时间序列数据上，同时实现预测并融合缺失值，相比现有方法表现出更好的综合性能。

Jun, 2023

时间序列分析与预测的机器学习算法

本文介绍了时间序列分析和预测的重要性，详细调查了各种用于预测的方法，包括 ARIMA、Prophet 和 LSTMs 等统计和深度学习模型，完整阐述了预处理和验证的流程。

Nov, 2022

基于检索的时间序列预测

本文旨在探讨如何降低时间序列预测的不确定性，并介绍了一种基于相关时间序列引用的简单有效的两阶段方法 ReTime 用于空时序列和时间序列插值。

Sep, 2022