Dish-TS: A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting(时间序列分布漂移问题)
时间序列预测(Time Series Forecasting, TSF)中的分布漂移,表示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。现有的时间序列分布转移研究工作大多局限于分布的量化,更重要的是,忽略了lookback 和 horizon windows之间的潜在变化。为应对上述挑战,本文系统地将TSF的分布转移总结为两类。以回溯窗口为输入空间,horizon windows为输出空间,存在(i)空间内移动,即输入空间内的分布随着时间的推移而移动,以及(ii)空间间移动,即分布在输入空间和输出空间之间移动。本文提出Dish-TS,一种用于缓解TSF分布转移的通用神经范式。为了更好的分布估计,本文提出系数网(CONET),可以是任何神经架构,将输入序列映射为可学习的分布系数。为缓解空间内和空间间的移位,将Dish-TS组织为一个双conet框架,以分别学习输入空间和输出空间的分布,自然地捕获了两个空间的分布差异。为棘手的Conet学习引入了一种更有效的训练策略。最后,在多个与不同最新预测模型耦合的数据集上进行了广泛的实验。实验结果表明,Dish-TS算法的平均性能提升超过20%
总结:考虑点在窗口之间的漂移和窗口之中的漂移