【论文阅读】The Capacity and Robustness Trade-off: Revisiting the Channel Independent Strategy for Multiva-优快云博客

本文链接：https://blog.youkuaiyun.com/mataolc/article/details/130797687

文章对比了多元时间序列预测中的CI（独立预测）和CD（联合预测）方法。实验显示CI在多数任务上表现出更好的性能和稳定性，其原因是CI能有效缓解DistributionDrift问题，增强模型的泛化能力。CI方法的MAE和MSE指标通常低于CD，并且效果波动较小。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在这里插入图片描述
2023 南京大学
论文地址：https://arxiv.org/pdf/2304.05206v1.pdf

1. 简介

多元时间序列预测问题中，从多变量建模方法的维度有两种类型，一种是独立预测（channel independent，CI），指的是把多元序列当成多个单变量预测，每个变量分别建模；另一种是联合预测（channel dependent，CD），指的是多变量一起建模，考虑各个变量之间的关系。二者的差异如下图。
在这里插入图片描述

2. CI 和 CD

2.1 多元时序预测MTSF(Multivariate Time Series Forecasting)

形式化定义如下：
$\in R^{L * C} => Y \in R^{H * C}$
L为历史窗口个数，C为变量个数或channel个数，H为预测的窗口个数(forecast horizon)

2.2 CD (Channel Dependent Strategy)

CD策略表示建模时同时考虑多个channel或变量的历史数据，预测多个channel未来值。
在这里插入图片描述

2.2 CI (Channel Independent Strategy)

在这里插入图片描述

3. 实验

实验得到的一个核心结论是：CI方法在大多数任务上表现的更好，并且效果方差也更小。下面这张图中可以看到，CI的MAE、MSE等指标在各个数据集上基本都小于CD，同时效果的波动也更小一些。
在这里插入图片描述
从下面的实验结果可以看到，CI相比CD，在绝大多数预测窗口长度和数据集上，效果都是提升的

为什么CI方法在实际应用中比CD效果更好、更稳定呢？文中进行了一些理论证明，核心的结论是：真实数据往往存在Distribution Drift，而使用CI方法有助于缓解这个问题，提升模型泛化性。下面这张图，展示了各个数据集trainset和testset的ACF（自相关系数，反映了未来序列和历史序列之间的关系）随时间变化分布，可以看到Distribution Drift在各个数据集上是广泛存在的（也就是trainset的ACF和testset的ACF不同，即两者的历史与未来序列的关系不同）
在这里插入图片描述