ICLR 2024 | PDF: 基于周期性解耦的长时序预测框架

文章预览

点击 名片 关注并星标 #TSer # 扫下方二维码 ，加入时序人学术星球 参与算法讨论，获取前沿资料 （ 160+ 篇专栏笔记，已有 160+ 同学加入学习） 在过去的十年里，深度学习在时间序列预测方面取得了显著进展。然而，现有的方法主要集中于一维时间序列的时间变化建模，忽略了时间序列中内在的复杂周期性。这种复杂性使得直接建模变得具有挑战性，同时短期波动、上升和下降等变化往往相互重叠，进一步增加了预测难度。 本文介绍一篇来自深圳大学与清华大学联合开展的时间序列预测研究工作。研究者 提出了一种新的周期性解耦框架（PDF），可以有效地捕捉和建模时间序列中的短期和长期变化 。通过分解时间序列中的趋势、季节和残差分量，并结合选择提示技术，该方法能够适应非平稳时间序列的数据分布变化，显著提升预测性能。 这一研究 ………………………………