NeurIPS 2021 | 微观特征混合进行宏观时间序列预测

该论文的主要目标是利用微观时序数据辅助预测宏观时序预测。从混合模型的角度出发，从混合模型的角度出发，作者发现通过合理地将微观时序数据聚类形成聚合时间序列，再利用时序模型预测聚合时间序列，最终汇总得到宏观时序预测结果的方式能够提升宏观时序预测性能。

基于此，作者提出了一种基于混合神经时序模型的聚类方法MixSeq。MixSeq从混合模型的角度首次在理论上验证了时序拆分满足什么样的性质能提升“宏观时序”的精度；并基于卷积Transformer构建了一个端到端的混合模型实现时序聚类，从而对宏观时序做拆分达到优化宏观时序预测的目的。此外，MixSeq的目标是将服从相同神经网络时序模型的数据聚在一起，同组时序数据具有一定的同质性。

https://www.zhuanzhi.ai/paper/05785f773522fd0772540667a245d541

该论文所宣布的核心贡献如下： 作者证明，通过聚类转换原始宏观时间序列，可以优化每个聚类时间序列的预期方差，从而提高宏观时间序列估计的准确性和鲁棒性 作者提出了 MixSeq，它是一个 end2end 混合模型，用于组合微观时序特征提升宏观时序预测的性能