在许多运营时序预测应用中，例如人群需求预测，低估风险往往远高于高估风险。准确预测稀有需求峰值对下游任务至关重要。然而，大多数时序预测模型使用对称目标（如均方误差MSE、平均绝对误差MAE）进行训练，且主要基于总体误差进行评估，这可能掩盖极值和峰值时机预测的失败。
为此，我们提出了非对称峰值感知损失（APAL），这是一种简单且与模型无关的目标函数，具体如下：
- 更加严厉地惩罚低估预测。
- 提高每个预测窗口内峰值区域的训练权重。
此外，我们还提出了一种峰值关键评估协议，补充MAE/MSE，包含通道级尾部误差（前10%和前1%）及峰值指标（精确度、召回率、在时间容忍度下的F1值和峰值时机误差）。
我们在五个最先进基础模型上评估APAL，重点关注使用墨尔本市行人小时计数数据集和海滩游客计数数据集进行的长期多变量预测。我们还在额外基准上测试了该损失函数在时序预测中的通用性。
在峰值关键数据集和设置中，APAL提高了尾部准确性和峰值预测质量，同时暴露出与总体误差的可控权衡，使其成为在峰值预测失败主导的操作中一个实用的解决方案。
博主点评： APAL的提出为时序预测领域带来了重要的创新，尤其是在处理需求峰值时，能够有效提升预测的精确度与可靠性。其设计思路值得其他领域借鉴，尤其是在面对不对称风险时的损失函数构建上。通过聚焦于峰值区域，APAL能够在实际应用中提供更强的实用性。