Neural Decomposition of Time-Series Data for Effective Generalization
本文提出一种用于时间序列数据分析和外推的神经网络技术,称为神经分解(ND)。具有正弦激活函数的单元用于将训练样本进行类似傅里叶的分解,分解为正弦函数的和,并通过具有非周期激活函数的单元来增广,以捕获线性趋势和其他非周期成分。展示了如何将谨慎的权重初始化与正则化相结合,以形成一个具有良好泛化能力的简单模型。该方法在Mackey-Glass系列上有效推广,该数据集是美国劳工部统计局报告的失业率数据集,每月国际航空乘客的时间序列,洛杉矶市中心每月臭氧浓度,以及来自印度北部一个洞穴的氧同位素测量的不均匀采样时间序列。ND优于流行的时间序列预测技术,包括LSTM、回声状态网络、ARIMA、SARIMA、径向基函数的SVR以及Gashler和Ashmore的模型。
Key Points
这篇算是比较早期的用MLP模型来做时序预测的了,同时还具有一定的可解释性,方法非常简单,也超过了很多经典的方法,如SARIMA、SVR、ESN等,因为年份比较早,所以比较的对象都是一些经典的方法。之所以会介绍这篇文章,是因为最近有很多时序预测的文章不再局限于过去值预测未来值(如下图A),而是采用集中于仅用时间戳来得到未来值,回归过去来外推未来(如下图C)。此外,我觉得这篇文章的思想启发了很多后面的文章,比如NBeats、DEPTS。