本次组会介绍阅读的一篇论文《Deep Adaptive Input Normalization for Time Series Forecasting》，主要从以下几个方面展开介绍：

科研背景

在时间序列预测领域中，时间序列数据的非平稳性、非线性等性质会造成预测模型精度降低，尤其在金融、电力负荷领域中。所以要对数据进行预处理，标准化是数据预处理中比较重要的一个步骤，本文提出的方法学习如何对给定的任务进行归一化，而不是使用固定的归一化方案。

科研问题

对于预测的时间序列数据进行适当的归一化。

方法

该论文提出的方法开源代码:https://github.com/passalis/dain

部分实验

实验设置：在实验预训练模型中采用锚定评估方法，在提供的十天的数据集中，采用该方法重复训练九次，利用序列数据的相关性有效的提高了模型的训练以及学习效果。 实验结论：（1）使用标准化对于提高模型训练能力是必要的；
（2）分布偏移以及一些重尾分布，自适应方法性能更好。