SPADE-S：稀疏鲁棒基础预测器
尽管时间序列预测领域取得了显著进展，但对于具有强烈幅度异质性和/或稀疏模式的时间序列，现有最先进的深度学习架构仍难以实现精确建模。研究识别了导致现有模型在低幅度和稀疏时间序列上系统性表现不佳的多个因素，包括对高幅度序列具有隐式偏见的损失函数、训练时采样方法以及时间序列编码方法的局限性。
SPADE-S是一种鲁棒的预测架构，能显著减少基于幅度和稀疏性的系统偏差，并提高整体预测精度。实证结果表明，在需求预测的多样化用例中，SPADE-S优于现有最先进方法。特别值得注意的是，根据分位数预测和序列幅度的不同，SPADE-S可将预测精度提升高达15%。在来自某大型在线零售商的三个独立数据集（包含300万至7亿条序列）上，该模型分别实现了P90总体预测精度提升2.21%、6.58%和4.28%，以及P50预测精度提升0.92%、0.77%和1.95%。
技术架构特性
该研究针对传统预测模型的局限性提出了系统性解决方案：
- 重构损失函数以消除对高幅度序列的隐含偏见
- 优化训练阶段的序列采样策略
- 改进时间序列编码方法以更好地处理稀疏模式
性能验证
实验设计涵盖大规模实际应用场景，使用来自某机构的海量需求预测数据（最高达7亿条时间序列）进行验证。结果表明，该架构在不同分位数预测任务中均表现出稳定的性能提升，特别是在处理低幅度和高度稀疏序列时优势显著。