Dish-TS: A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting（AAAI2023）

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