长期时间序列预测的损失形成约束
内容提要
该文综述时间序列预测的多项研究，涵盖正则化方法、Conformer模型、Dateformer按天分块、LSTM结合DBSCAN、14种回归损失函数、Transformer局限与替代模型、Transformer长期预测应用与最佳实践、DILATE目标函数改进及线性模型多通道集成提速。
延伸解读
损失函数选择成为长期预测的关键变量
文章汇总了14种回归损失函数在时间序列预测中的应用，并指出某些损失函数在多个数据集上表现稳定，可作为数据分布未知时的基础目标函数。这提示读者，在长期预测任务中，损失函数的选择并非次要细节，而是影响模型泛化能力的关键设计。同时，DILATE方法通过改进目标函数，在非平稳信号和多步预测中优于MSE和DTW，进一步说明针对预测目标定制损失函数具有实际价值。
Transformer的替代与改进路径并行
文章既讨论了Transformer在长期预测中的局限，也介绍了Conformer、Dateformer等改进模型，以及线性模型等替代方案。Conformer通过编码器-解码器架构和正则化模块建模互系列相关性与时间动态；Dateformer按天分块处理，提升信息利用率和预测范围；线性模型则通过集成单通道与多通道语义，在保持精度的同时大幅提速。这些工作表明，长期预测并非必须依赖标准Transformer，架构简化与领域适配同样重要。
异常值处理与领域因素影响预测可靠性
文章提到将LSTM与DBSCAN异常值检测结合，并考虑气象和社会因素，对用电量数据进行季节性划分。结果显示，该方法在多个季节性数据集中有效减少了低估和高估误差。其中，降低用电消耗的低估预测对防止社区电力中断尤为重要。这提醒读者，在真实场景中，数据清洗和外部变量引入不是预处理的可选项，而是提升预测可靠性和避免严重后果的必要步骤。
Q&A
长期时间序列预测中，Transformer模型有哪些局限性？
文章指出Transformer在长期时间序列预测中存在局限性，并介绍了一系列性能更好、复杂度更低的替代模型。
Conformer模型在长期时间序列预测中有什么优势？
Conformer采用编码器-解码器架构和正则化模块，能提高信息利用率，显式建模互系列相关性和时间动态，在长期预测中优于现有方法，并能生成可靠预测与不确定性量化。
Dateformer是如何提高时间序列预测准确性的？
Dateformer将时间序列按天分割成小块，进行逐块处理，并设计时间建模Transformer，使模型能全局分析时间序列，从而大幅提高预测准确性，最大预测范围可达半年。
在时间序列预测中，如何选择回归损失函数？
文章总结了14个常用回归损失函数及其在时间序列预测中的应用，指出某些类别的损失函数在所有数据集上表现良好，可考虑作为数据分布未知时的基础目标函数。
DILATE方法对时间序列预测的目标函数做了什么改进？
DILATE针对非平稳信号和多步预测改进了深度神经网络训练的目标函数，支持精确形状和时间变化检测，并提供了自定义反向传播实现以加速优化，性能优于MSE损失和DTW模型。
基于线性模型的时间序列预测模型如何实现高效预测？
该模型集成单通道和多通道数据的不同语义进行联合预测，并使用新的损失函数替代传统MSE和MAE损失，在基准数据集上性能优于SOTA，速度提高10倍，参数更少。
