期间序列预测的最新模型以及Python经常使用示例 SOFTS

近年来，深度学习不时在期间序列预测中追逐着优化树模型，其中新的架构曾经逐渐为最先进的性能设定了新的规范。

这一切都始于2020年的N-BEATS，而后是2022年的NHITS。2023年，PatchTST和TSMixer被提出，最近的iTransformer进一步提高了深度学习预测模型的性能。

这是2024年4月《SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion》中提出的新模型，驳回集中战略来学习不同序列之间的交互，从而在多变量预测义务中取得最先进的性能。

在本文中，咱们具体讨论了SOFTS的体系结构，并引见新的STar聚合调度(STAD)模块，该模块担任学习期间序列之间的交互。而后，咱们测试将该模型运行于单变量和多变量预测场景，并与其余模型作为对比。

SOFTS是 Series-cOre Fused Time Series的缩写，面前的动机来自于常年多元预测对决策至关关键的意识：

首先咱们不时钻研Transform er的模型，它们试图经过经常使用补丁嵌入和通道独立等技术(如PatchTST)来降低Transformer的复杂性。然而由于通道独立性，消弭了每个序列之间的相互作用，因此或者会疏忽预测消息。

iTransformer 经过嵌入整个序列局部地处置了这个疑问，并经过留意机制处置它们。然而基于transformer的模型在计算上是复杂的，并且须要更多的期间来训练十分大的数据集。

另一方面有一些基于mlp的模型。这些模型通常很快，并发生十分强的结果，但当存在许多序列时，它们的性能往往会降低。

所以出现了SOFTS：钻研人员倡导经常使用基于mlp的STAD模块。由于是基于MLP的，所以训练速度很快。并且STAD模块，它准许学习每个序列之间的相关，就像留意力机制一样，但计算效率更高。

在上图中可以看到每个序列都是独自嵌入的，就像在iTransformer 中一样。

而后将嵌入发送到STAD模块。每个序列之间的交互都是集中学习的，而后再调配到各个系列并融合在一同。

最后再经过线性层发生预测。

这集体系结构中有很多物品须要剖析，咱们上方更具体地钻研每个组件。

首先经常使用归一化来校准输入序列的散布。经常使用了可逆实例的归一化(RevIn)。它将数据以单位方差的平均值为中心。而后每个系列区分启动嵌入，就像在iTransformer 模型。

在上图中咱们可以看到，嵌入整个序列就像运行补丁嵌入，其中补丁长度等于输入序列的长度。

这样，嵌入就蕴含了整个序列在一切期间步长的消息。

而后将嵌入式系列发送到STAD模块。

STAD模块是soft模型与其余预测方法的真正区别。经常使用集中式战略来查找一切期间序列之间的相互作用。

嵌入的序列首先经过MLP和池化层，而后将这个学习到的示意衔接起来构成核（上图中的黄色块示意）。

核构建好了就进入了“重复”和“衔接”的步骤，在这个步骤中，核示意被分派给每个系列。

MLP和池化层未捕捉的消息还可以经过残差衔接减少到核示意中。而后在融合（fuse）操作的环节中，核示意及其对应系列的残差都经过MLP层发送。最后的线性层驳回STAD模块的输入来生成每个序列的最终预测。

与其余捕捉通道交互的方法(如留意力机制)相比，STAD模块的关键好处之一是它降低了复杂性。

由于STAD模块具备线性复杂度，而留意力机制具备二次复杂度，这象征着STAD在技术上可以更有效地处置具备多个序列的大型数据集。

上方咱们来实践经常使用SOFTS启动单变量和多变量场景的测试。

这里，咱们经常使用 Electricity Transformer>

pip install githttpsgithubcomNixtlaneuralforecastgit