关于Kolmogorov–Arnold网络架构在时间序列预测中的适用性研究

最近提出的Kolmogorov–Arnold网络（KAN）架构作为基于多层感知器（MLP）的传统神经网络的一个有前景的替代方案而出现。通过利用Kolmogorov–Arnold表示定理，KAN将多维函数表示为一维函数的组合，从而通过其固有的简单结构提供更高的潜在精度和模型可解释性。本文研究KAN在时间序列预测中的适用性，使用知名的小时电力消费数据集作为基准。气象观测数据被选为额外的测试平台。对KAN网络与传统MLP，以及基于KAN的递归架构实现（TKAN变体）与已建立设计如长短期记忆（LSTM）和门控递归单元（GRU）进行了比较分析。实验结果表明KAN架构在时间预测任务中优于MLP。提出的递归架构TKAN1在TKAN变体中取得了最高的决定系数（R2 = 0.3483），在能源需求预测中RMSE为0.1010。