精选理由
时间序列预测的长期误差累积是实际应用中的痛点，做时序预测的团队可以直接用UEC-STD提升现有模型性能，无需重新训练，值得一试。
现代深度学习模型在时间序列预测中表现优异，但在长期预测中因自回归推理的误差累积导致性能下降。经典误差校正机制（ECM）在统计方法中有效，但在深度学习中应用有限。本文提出一种架构无关的通用误差校正器UEC-STD，通过将预测分解为趋势和季节成分分别校正，显著提升校正精度和鲁棒性。该方法无需重新训练即可集成到现有预测器中，在4种骨干网络和10个数据集上验证了有效性。代码已开源，为缓解深度时间序列模型的自回归误差提供了实用工具。
AI 翻译 · 中文
现代深度学习模型在时间序列预测中表现优异，但在长期预测中因自回归推理的误差累积导致性能下降。经典误差校正机制（ECM）在统计方法中有效，但在深度学习中应用有限。本文提出一种架构无关的通用误差校正器UEC-STD，通过将预测分解为趋势和季节成分分别校正，显著提升校正精度和鲁棒性。该方法无需重新训练即可集成到现有预测器中，在4种骨干网络和10个数据集上验证了有效性。代码已开源，为缓解深度时间序列模型的自回归误差提供了实用工具。
Modern deep-learning models have achieved remarkable success in time-series forecasting. Yet, their performance degrades in long-term prediction due to error accumulation in autoregressive inference, where predictions ar…