文章 "神经网络变得简单（第 85 部分）：多变元时间序列预测"

[MetaQuotes]

新文章 神经网络变得简单（第 85 部分）：多变元时间序列预测已发布：

在本文中，我愿向您介绍一种新的复杂时间序列预测方法，它和谐地结合了线性模型和转换器的优点。

客户端的主要思路是从关注随时间变化，转移到分析变量之间的依赖关系，并将线性模块集成到模型中，从而更好地分别利用变量依赖关系、和趋势信息。

客户端方法的作者以创造性的方式解决了时间序列预测问题。一方面，所提议算法并入了已熟悉的方式。另一方面，它摒弃了一些久负盛名的方法。在算法中包含或排除的每个单独模块，都要伴随着一连串测试。这些测试从模型有效性的视角证明了所做决策的可行性。

为了解决分布乖离问题，该方法的作者运用了对称结构的可逆归一化（RevIN），其在上一篇文章中已讨论过。RevIN 首先用来从原始数据中删除有关时间序列的统计信息。在模型处理数据、并生成预测值之后，原始时间序列的统计信息将在预测中恢复，这通常可以提高模型训练的稳定性，及时间序列预测值的品质。

作者：Dmitriy Gizlyk

[Zhi Jin]

MetaQuotes:

新文章 神经网络变得简单（第 85 部分）：多变元时间序列预测已发布：

作者：Dmitriy Gizlyk

非常棒的思路