解决时间序列预测中的预测延迟问题，实现更精准的金融和天气趋势预测

文章预览

“ Addressing Prediction Delays in Time Series Forecasting: A Continuous GRU Approach with Derivative Regularization ” 论文地址 ：https://arxiv.org/pdf/2407.01622 摘要 时间序列预测在经济分析、气象等领域至关重要，传统模型多基于均方误差（MSE）训练。MSE训练导致预测延迟，即真实值在预测之前，影响金融和天气预测的实用性。本文提出一种新方法，通过基于神经常微分方程（NODE）的连续时间门控递归单元（GRU）来减少预测延迟。该方法通过时间导数正则化来优化GRU架构，提升了MSE、动态时间规整（DTW）和时间扭曲指数（TDI）等指标。实验表明，该方法在多种数据集上具有较低的预测延迟。 简介 时间序列预测在天气、股票等领域重要，面临多种挑战。研究集中于短期和长期预测，提出了从简单线性网络到先进的变换器架构的多种模型。主要评估指标为均方误差（MSE）和平均 ………………………………