通过模式特化实现深度时间序列预测的自适应微调
机器学习
2025-08-12 v1
摘要
时间序列预测在非平稳环境中面临重大挑战，因为其底层模式会随时间演变。在这项工作中，我们提出了一种新颖的框架，通过利用专门的模型自适应与选择来增强深度神经网络（DNN）的性能。首先，一个基础DNN在历史时间序列数据上进行离线训练。然后，将保留的验证子集进行分割，以提取并聚类序列中最主要的模式，从而识别出不同的状态。对于每个识别出的聚类，基础DNN被微调以产生一个特化版本，捕捉独特的模式特征。在推理时，将最近的输入与聚类中心进行匹配，并根据最接近的相似度度量部署相应的微调版本。此外，我们的方法集成了一个概念漂移检测机制，以识别并适应由非平稳行为引起的新兴模式。所提出的框架可泛化到各种DNN架构，并在传统DNN和GluonTS库中实现的近期先进架构上均展示了显著的性能提升。
引用
@article{arxiv.2508.07927,
title = {Adaptive Fine-Tuning via Pattern Specialization for Deep Time Series Forecasting},
author = {Amal Saadallah and Abdulaziz Al-Ademi},
journal= {arXiv preprint arXiv:2508.07927},
year = {2025}
}