深度学习 vs 机器学习模型：时间序列预测中的GBRT与DNN的性能对比

文章预览

在过去的几年中，时间序列预测领域的经典参数化（自回归）方法在很大程度上被复杂的深度学习框架所取代，例如DeepGlo或LSTNet。这些新颖的基于深度学习的方法不仅被认为优于传统方法，如ARIMA，以及简单的机器学习模型，如GBRT，同时也提高了人们对机器学习领域时间序列预测模型的期望，认为需要依靠深度学习才能提供最先进的预测结果。 然而，我们需要将机器学习的各个研究领域，深度学习方法的成就需要定期与简单但有效的模型进行比较，以保持各自研究领域进展的真实性。 除了时间序列预测模型的日益复杂化，另一个动机是目前的研究对基于深度学习的方法过于偏重，限制了针对实际应用中高度多样化问题的解决方案的多样性。 https://arxiv.org/pdf/2101.02118 本文围绕以下两个研究问题进行： 在时间序列预测的基于窗口的学习框架中，仔 ………………………………