Dish-TS: 缓解分布转移的一般范例 时间序列预测

摘要

时间序列预测(TSF)中的分布移位(即序列分布随时间的变化)在很大程度上阻碍了TSF模型的性能。现有的关于时间序列中分布变化的研究大多局限于分布的量化，更重要的是，忽视了回望窗和地平线窗之间的潜在变化。为了应对上述挑战，我们系统地将TSF的分布变化归纳为两类。将回望窗作为输入空间，视界窗作为输出空间，存在(1)空间内移动，即输入空间内的分布随时间不断移动;(2)空间间移动，即分布在输入空间和输出空间之间移动。然后，我们介绍了Dish-TS，一种缓解TSF分布变化的通用神经范式。具体来说，为了更好地估计分布，我们提出了系数网(CONET)，它可以是任何神经结构，将输入序列映射到可学习的分布系数。为了缓解空间内和空间间的移位，我们将Dish-TS组织成一个Dual-CONET框架，分别学习输入和输出空间的分布，自然地捕捉了两个空间的分布差异。此外，我们还为棘手的CONET学习引入了一种更有效的训练策略。最后，我们在几个数据集上进行了广泛的实验，并结合了不同的最先进的预测模型。实验结果表明，DishTS可以持续提高20%以上的效率。

论文：
Dish-TS: A General Paradigm for Alleviating Distribution Shift in
Time Series Forecasting
作者：
Wei Fan , Pengyang Wang*, Dongkun Wang, Yanjie Fu*
代码：https://github.com/weifantt/Dish-TS

在分析了大量的系列数据后，我们系统地将TSF的分布变化分为两类。考虑回看窗口(简称“回看”)作为模型的输入空间，水平窗口(简称“地平线”)作为模型的输出空间，存在(i)空间内移位:时间序列