一种用于边缘端在线时间序列预测的新型超维计算框架
机器学习
2024-02-06 v1 人工智能
摘要
近年来，针对时间序列预测开发了在线和离线深度学习模型。然而，离线深度预测模型无法有效适应时间序列数据的变化，而在线深度预测模型通常计算成本高昂且训练过程复杂。在本文中，我们将在线非线性时间序列预测问题重新转化为线性超维时间序列预测问题。将非线性低维时间序列数据映射到高维（超维）空间中进行线性超维预测，从而实现快速、高效且轻量级的在线时间序列预测。我们的框架 TSF-HD 利用一种针对超维映射和线性超维预测器的新型协同训练框架，来适应时间序列分布偏移。结果表明，无论是在短期还是长期时间序列预测中，TSF-HD 在降低推理延迟的同时，性能均优于现有最优方法。我们的代码已在 http://github.com/tsfhd2024/tsf-hd.git 公开。
引用
@article{arxiv.2402.01999,
title = {A Novel Hyperdimensional Computing Framework for Online Time Series Forecasting on the Edge},
author = {Mohamed Mejri and Chandramouli Amarnath and Abhijit Chatterjee},
journal= {arXiv preprint arXiv:2402.01999},
year = {2024}
}