Time-o1：时间序列预测需要变换后的标签对齐
Time-o1: Time-Series Forecasting Needs Transformed Label Alignment
精选理由
提出通过变换标签、优先对齐关键成分的预测损失，降低长时序训练难度并提升多种模型的预测表现。
AI 摘要
arXiv:2505.17847v3 公告类型：替换 摘要：训练时间序列预测模型在损失函数设计方面面临独特挑战。大多数现有方法采用时域均方误差，但本研究揭示了其两个关键局限：（1）忽略了标签自相关性的存在，导致其偏离真实标签序列的似然；（2）涉及过多任务，使优化变得复杂，尤其是在长期预测中。为解决这些问题，我们提出了 Time-o1，一种用于时间序列预测的变换增强型损失函数。其核心思想是将标签序列变换为重要性各异的去相关分量，随后训练模型以对齐最重要的分量，从而有效缓解标签自相关性并减少任务数量。实验表明，Time-o1 达到了当前最先进的性能，并兼容多种预测模型。代码已发布于 https://github.com/Master-PLC/Time-o1。