Frequency Adaptive Normalization For Non-stationary Time Series Forecasting

要約

時系列予測では通常、進化する傾向や季節パターンを伴う非定常データに対処する必要があります。
非定常性に対処するために、平均や分散などの特定の統計的尺度による傾向による影響を軽減する可逆的なインスタンス正規化が最近提案されています。
これらは予測精度の向上を示していますが、基本的な傾向を表現することに限定されており、季節的なパターンを処理することはできません。
この制限に対処するために、このペーパーでは、周波数適応正規化 (FAN) と呼ばれる新しいインスタンス正規化ソリューションを提案します。これは、動的傾向と季節パターンの両方を処理するインスタンスの正規化を拡張します。
具体的には、フーリエ変換を使用して、ほとんどの非定常因子をカバーするインスタンスごとの支配的な頻度成分を特定します。
さらに、入力と出力間のこれらの周波数成分の不一致は、単純な MLP モデルを使用した予測タスクとして明示的にモデル化されます。
FAN は、任意の予測バックボーンに適用できるモデルに依存しない手法です。
バックボーンとして広く使用されている 4 つの予測モデルで FAN をインスタンス化し、8 つのベンチマーク データセットで予測パフォーマンスの向上を評価します。
FAN は大幅なパフォーマンスの向上を示し、MSE で平均 7.76% ～ 37.90% の改善を達成しました。

要約(オリジナル)

Time series forecasting typically needs to address non-stationary data with evolving trend and seasonal patterns. To address the non-stationarity, reversible instance normalization has been recently proposed to alleviate impacts from the trend with certain statistical measures, e.g., mean and variance. Although they demonstrate improved predictive accuracy, they are limited to expressing basic trends and are incapable of handling seasonal patterns. To address this limitation, this paper proposes a new instance normalization solution, called frequency adaptive normalization (FAN), which extends instance normalization in handling both dynamic trend and seasonal patterns. Specifically, we employ the Fourier transform to identify instance-wise predominant frequent components that cover most non-stationary factors. Furthermore, the discrepancy of those frequency components between inputs and outputs is explicitly modeled as a prediction task with a simple MLP model. FAN is a model-agnostic method that can be applied to arbitrary predictive backbones. We instantiate FAN on four widely used forecasting models as the backbone and evaluate their prediction performance improvements on eight benchmark datasets. FAN demonstrates significant performance advancement, achieving 7.76% ~ 37.90% average improvements in MSE.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google