我们真的需要深度学习模型来预测时间序列吗? Do We Really Need Deep Learning Models for Time Series Forecasting?

时间序列预测是机器学习中的一项重要任务，它有着广泛的应用，包括但不限于预测电力消耗、交通和空气质量。传统的预测模型依赖于滚动平均线、矢量自回归和自回归综合移动平均线。另一方面，最近提出了深度学习和矩阵分解模型来解决同样的问题，以获得更有竞争力的表现。然而，这种模型的一个主要缺点是，与传统技术相比，它们往往过于复杂。在本文中，我们提出了一个著名的机器学习基线，梯度推进回归树(GBRT)模型的显著深度学习模型的结果。与深度神经网络(DNN)模型相似，我们将时间序列预测任务转化为基于窗口的回归问题。此外，我们对GBRT模型的输入和输出结构进行特征工程，使每个训练窗口的目标值与外部特征连接，然后扁平化形成一个多输出GBRT模型的输入实例。我们对过去几年在顶级会议上展示的8个最先进的深度学习模型的9个数据集进行了比较研究。结果表明，基于窗口的输入变换提高了一个简单的GBRT模型的性能，超过了本文评估的所有最新的DNN模型。