使用 TiDE 进行时间序列预测

396 2024-10-16

我们非常重视原创文章，为尊重知识产权并避免潜在的版权问题，我们在此提供文章的摘要供您初步了解。如果您想要查阅更为详尽的内容，访问作者的公众号页面获取完整文章。

查看原文：使用 TiDE 进行时间序列预测

文章来源：

数据STUDIO

扫码关注公众号

TiDE模型摘要

概览

云朵君介绍了一种新颖的时间序列预测模型 - TiDE(Time-series Dense Encoder)。时间序列预测在多个行业中都有广泛应用，传统统计模型如ARIMA和GARCH由于简单高效而流行，而深度学习模型，尤其是基于Transformer的模型，尽管捕捉长期依赖关系能力强，但在长期预测任务中性能有限。谷歌研究团队于2023年提出的TiDE模型采用了MLP编码器-解码器架构，有效捕捉非线性依赖关系，在多个数据集实验中展示了卓越的预测精度和高效的推理速度，适合工业级大规模部署场景。

探索 TiDE

TiDE采用编码器-解码器框架，通过MLP网络完成编码和解码任务。编码器学习历史时间序列和协变量的紧凑表示向量，解码器则依据向量和已知未来时间步协变量生成预测值。TiDE利用MLP的非线性映射提取复杂特征，避免了Transformer的注意力计算，提高了训练和预测速度，在公开数据集测试中精度和运算效率均超过现有模型。

TiDE的结构

TiDE的模型结构由编码器、解码器和时序解码器三个主要部分组成，全部基于残差块结构。编码器将时间序列的过去和协变因素映射到一个密集表示，解码器接收编码器表示并生成预测。

使用 TiDE 进行预测

在一个小型预测项目中，TiDE被应用并与TSMixer模型进行比较。使用Etth1数据集，TiDE在训练和测试中展现出了较高的预测精度。对于不同的预测问题，模型表现会有差异，因此在选择模型时需要进行具体评估和测试。

写在最后

TiDE(Time-series Dense Encoder)是一种基于MLP的时间序列预测模型，专门设计用于处理多变量、长期的时间序列预测问题。它采用全连接层的简单结构，训练时间短，预测性能高。然而，TiDE模型在不同预测问题上的表现可能不一，建议对TiDE及其他模型进行评估和测试，以选择最佳方案。