GARS：面向长周期时间序列预测的间隙感知残差选择

《Electronics》：GARS: Gap-Aware Residual Selection for Long-Horizon Time-Series Forecasting

　　

摘要

部署于智慧城市、智能电网、环境监测及其他数据驱动应用中的智能系统，越来越依赖于可靠的多变量时间序列预测。近期的深度预测模型在各种基准上取得了优异表现，但其最终预测往往通过固定的预测生成过程产生。这种一刀切的方法可能并非最优，因为输入窗口呈现出不同的数值、趋势和周期性模式。我们提出了一种间隙感知残差选择（GARS）方法，它是一个面向时间序列预测的即插即用校正模块，附加在基础预测模型之上，对其初始预测进行调整而非替代该模型。仅基于观测到的输入窗口和初始预测，GARS 构建确定性的参考预测，利用其与初始预测之间的差异作为间隙感知残差信息，并形成三个分量预测：初始预测、间隙感知残差分量和直接残差分量。GARS 通过软权重对预测时段的各分段组合这些分量，且未来目标值仅用于训练和评估。在五个与太阳能、气象、电力消耗、交通及汇率相关的多变量基准数据集上的实验，使用四个在完整时间顺序训练划分上训练的具有代表性的预测模型，结果表明 GARS 在 80 个评估设置中平均将归一化尺度均方误差降低了 。该比较是在与各基础模型联合训练的 GARS 与未使用 GARS 训练的同一基础模型之间进行的。平均绝对误差并未获得一致改善，两项指标之间的差异与测试样本间误差的重新分配有关。在同一协议下，不含间隙信号的直接条件混合方法在平均水平上表现至少与 GARS 相当，且参数匹配的控制组也优于基础模型，因此增益不能归因于基于间隙的构建方式。在本研究其他部分未使用的两个数据集上，相同配置反而增加了均方误差，因此改进效果并未在已评估基准之外得到确立。