Метод Halo повышает точность прогнозирования временных рядов

В препринте на arXiv представлена модификация Halo, направленная на повышение точности моделей прогнозирования временных рядов. Традиционно гетероскедастическое прогнозирование применяется для квантификации неопределенности, однако авторы показали, что оно также улучшает сами точечные оценки.

Halo использует существующую архитектуру нейросетей, добавляя второй выход для оценки масштаба распределения и обучая модель с помощью функции отрицательного логарифмического правдоподобия. Метод протестировали на трех передовых архитектурах: трансформере, графовой сети с вариационным автоэнкодером и однослойной сверточной сети с функциями потерь Гаусса и Лапласа.

Эксперименты на данных пяти рынков электроэнергии показали улучшение метрик MSE и MAE в 28 из 30 тестов. Среднее значение MSE сократилось на величину от 2,6% до 16,5%, а MAE — на 1,7%–11,0%. При этом метод дает эффект даже без перенастройки базовых гиперпараметров.