Table 3 Multivariate long-term forecasting results.

From: Improving time series forecasting in frequency ___domain using a multi resolution dual branch mixer with noise insensitive ArcTanLoss

Catagory		Frequency-based						Transformer-based				Linear-based				CNN-based				RNN-based
Models		FreMixer		FITS		FiLM		PatchTST		Autoformer		TSMixer		DLinear		TimesNet		MICN		LSTM
Metric		MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE	MSE	MAE
ETTh1	96	0.360	0.383	0.374	0.395	0.388	0.401	0.370	0.400	0.449	0.459	0.361	0.392	0.375	0.399	0.384	0.402	0.421	0.431	1.044	0.777
	192	0.398	0.407	0.407	0.414	0.443	0.439	0.413	0.429	0.500	0.482	0.404	0.418	0.405	0.416	0.436	0.429	0.474	0.487	1.217	0.832
	336	0.418	0.423	0.429	0.428	0.488	0.466	0.422	0.440	0.521	0.496	0.420	0.431	0.439	0.443	0.491	0.469	0.569	0.551	1.259	0.841
	720	0.420	0.449	0.425	0.446	0.525	0.519	0.447	0.468	0.514	0.512	0.463	0.472	0.472	0.490	0.521	0.500	0.770	0.672	1.271	0.838
ETTh2	96	0.262	0.328	0.271	0.337	0.296	0.344	0.274	0.337	0.346	0.388	0.274	0.341	0.289	0.353	0.340	0.374	0.299	0.364	2.522	1.278
	192	0.326	0.371	0.332	0.375	0.389	0.402	0.341	0.382	0.456	0.452	0.339	0.385	0.383	0.418	0.402	0.414	0.441	0.454	3.312	1.384
	336	0.351	0.391	0.354	0.396	0.418	0.430	0.329	0.384	0.482	0.486	0.361	0.406	0.448	0.465	0.452	0.452	0.654	0.567	3.291	1.388
	720	0.377	0.421	0.378	0.423	0.433	0.448	0.379	0.422	0.515	0.511	0.405	0.440	0.605	0.551	0.462	0.468	0.956	0.716	3.257	1.357
ETTm1	96	0.285	0.330	0.303	0.345	0.348	0.367	0.293	0.346	0.505	0.475	0.285	0.339	0.299	0.343	0.338	0.375	0.316	0.362	0.863	0.664
	192	0.327	0.355	0.337	0.365	0.387	0.385	0.333	0.370	0.553	0.496	0.327	0.365	0.335	0.365	0.374	0.387	0.363	0.390	1.113	0.776
	336	0.353	0.375	0.366	0.385	0.418	0.405	0.369	0.392	0.621	0.537	0.356	0.382	0.369	0.386	0.410	0.411	0.408	0.426	1.267	0.832
	720	0.401	0.404	0.416	0.412	0.479	0.440	0.416	0.420	0.671	0.561	0.419	0.414	0.425	0.421	0.478	0.450	0.481	0.476	1.324	0.858
ETTm2	96	0.159	0.246	0.163	0.253	0.165	0.256	0.166	0.256	0.255	0.339	0.163	0.252	0.167	0.260	0.187	0.267	0.179	0.275	2.041	1.073
	192	0.214	0.285	0.217	0.291	0.222	0.296	0.223	0.296	0.281	0.340	0.216	0.290	0.224	0.303	0.249	0.309	0.307	0.376	2.249	1.112
	336	0.266	0.320	0.268	0.326	0.277	0.333	0.274	0.329	0.339	0.372	0.268	0.324	0.281	0.342	0.321	0.351	0.325	0.388	2.568	1.238
	720	0.344	0.372	0.349	0.378	0.371	0.398	0.362	0.385	0.433	0.432	0.393	0.414	0.397	0.421	0.408	0.403	0.502	0.490	2.720	1.287
Weather	96	0.143	0.186	0.170	0.224	0.193	0.234	0.149	0.198	0.266	0.336	0.145	0.198	0.176	0.237	0.172	0.220	0.161	0.229	0.369	0.406
	192	0.187	0.229	0.213	0.260	0.228	0.288	0.194	0.241	0.307	0.367	0.191	0.242	0.220	0.282	0.219	0.261	0.220	0.281	0.416	0.435
	336	0.238	0.270	0.258	0.295	0.267	0.323	0.245	0.282	0.359	0.395	0.242	0.280	0.265	0.319	0.280	0.306	0.278	0.331	0.455	0.454
	720	0.310	0.325	0.320	0.339	0.358	0.350	0.314	0.334	0.419	0.428	0.320	0.336	0.323	0.362	0.365	0.359	0.311	0.356	0.535	0.520
Electricity	96	0.131	0.223	0.135	0.231	0.152	0.267	0.129	0.222	0.201	0.337	0.131	0.223	0.140	0.237	0.168	0.272	0.164	0.269	0.375	0.437
	192	0.146	0.236	0.149	0.244	0.198	0.379	0.147	0.240	0.222	0.334	0.151	0.246	0.153	0.249	0.184	0.289	0.177	0.285	0.442	0.473
	336	0.162	0.254	0.165	0.261	0.188	0.283	0.163	0.259	0.231	0.338	0.161	0.261	0.169	0.267	0.198	0.300	0.193	0.304	0.439	0.473
	720	0.201	0.286	0.204	0.293	0.236	0.332	0.197	0.290	0.254	0.361	0.197	0.293	0.203	0.301	0.220	0.320	0.212	0.321	0.980	0.314
Traffic	96	0.386	0.257	0.387	0.270	0.416	0.294	0.367	0.250	0.597	0.371	0.376	0.264	0.410	0.282	0.593	0.321	0.519	0.309	0.843	0.453
	192	0.397	0.262	0.398	0.274	0.408	0.288	0.389	0.264	0.607	0.382	0.397	0.277	0.423	0.287	0.617	0.336	0.537	0.315	0.847	0.453
	336	0.410	0.266	0.410	0.278	0.425	0.298	0.398	0.266	0.623	0.387	0.413	0.290	0.436	0.296	0.629	0.336	0.534	0.313	0.853	0.455
	720	0.452	0.290	0.448	0.299	0.520	0.353	0.457	0.311	0.639	0.395	0.444	0.306	0.466	0.315	0.640	0.350	0.577	0.325	1.500	0.805
\(1^{st}\) Count		46		1		0		10		0		4		0		0		0		0

We set the prediction lengths \(T \in \{96, 192, 336, 720\}\) for all datasets. A lower MSE or MAE indicates a better performance. The best results are highlighted in bold and the second best are in italics.

Back to article page

Table 3 Multivariate long-term forecasting results.

Search

Quick links