Dish-TS
分布偏移的两种类型
内部空间偏移（Intra-space Shift）：这种偏移发生在输入空间内部，即在时间序列的历史数据（lookback window）中，数据的分布随时间发生变化。例如，一个时间序列的均值和方差可能在不同时间段内有所不同。
空间间偏移（Inter-space Shift）：这种偏移发生在输入空间和输出空间之间，即输入数据（lookback window）的分布与预测目标（horizon window）的分布之间存在差异。这种偏移可能导致模型难以从历史数据中学习到准确的预测模式，因为输入和输出之间的关系可能随着时间而改变。
CONET
水平系数（Level Coefficient）
水平系数是用于捕捉时间序列数据的整体规模或平均水平的系数。在时间序列分析中，水平系数可以帮助我们理解数据的中心位置，即数据的集中趋势。例如，在一个电力消耗的时间序列中，水平系数可能表示一天中的平均电力使用量。通过调整输入和输出数据使其围绕这个平均水平进行归一化，可以帮助模型更好地学习数据中的模式，并减少异常值或极端变化对预测的影响。
缩放系数（Scaling Coefficient）
缩放系数是用于捕捉时间序列数据的波动程度或离散程度的系数。它反映了数据在其平均水平周围的分散情况。例如，在股票价格的时间序列中，缩放系数可能表示股票价格的波动范围或标准差。通过调整输入和输出数据的缩放比例，模型可以更好地理解数据的变化幅度，并适应数据的波动性。
调整输入和输出
Dish-TS范式通过系数网络（CONET）学习输入和输出数据的分布系数，然后使用这些系数来调整模型的输入和输出。具体来说：
调整输入（Input Adjustment）：CONET为输入数据生成一个水平系数和一个缩放系数，这些系数用于归一化输入数据，使其适应模型的预期输入范围。这种归一化有助于模型更好地理解和学习历史数据中的模式。
调整输出（Output Adjustment）：模型直接输出的预测值（例如，未来一小时的电力消耗）可能会受到数据分布变化的影响。CONET为输出数据生成的系数用于反归一化这些直接输出的预测值，以补偿可能的分布偏移，从而提供更准确的最终预测。