Neuüberprüfung der langfristigen Zeitreihenprognose: Eine Untersuchung zur linearen Abbildung

Die Langzeit-Zeitreihen-Vorhersage hat in den letzten Jahren erhebliche Aufmerksamkeit erhalten. Obwohl es verschiedene spezialisierte Architekturen gibt, um zeitliche Abhängigkeiten zu erfassen, haben frühere Studien gezeigt, dass eine einzelne lineare Schicht im Vergleich zu komplexeren Architekturen eine konkurrenzfähige Vorhersageleistung erzielen kann. In diesem Paper untersuchen wir die inhärente Wirksamkeit aktueller Ansätze umfassend und machen drei zentrale Beobachtungen: 1) Die lineare Abbildung ist entscheidend für frühere Ansätze zur Langzeit-Zeitreihen-Vorhersage; 2) RevIN (reversible normalization) und CI (Channel Independent) spielen eine entscheidende Rolle bei der Verbesserung der Gesamtleistung der Vorhersage; und 3) Die lineare Abbildung kann periodische Merkmale in Zeitreihen effektiv erfassen und weist Robustheit gegenüber unterschiedlichen Perioden über verschiedene Kanäle hinweg auf, insbesondere bei Erhöhung der Eingabehorizontlänge. Wir liefern theoretische und experimentelle Erklärungen zur Unterstützung unserer Ergebnisse und diskutieren zudem die Grenzen sowie zukünftige Forschungsrichtungen. Der Quellcode unseres Frameworks ist unter \url{https://github.com/plumprc/RTSF} verfügbar.