应对在线时间序列预测中的概念漂移：先检测后适应

时间序列预测模型的在线更新旨在通过基于流式数据调整预测模型，来应对概念漂移的挑战。尽管已开发出大量算法，但大多数算法侧重于模型设计和更新。在实践中，面对随时间累积的概念漂移，许多方法存在性能持续退化的问题。为了解决这一局限性，我们提出了一种新颖的方法，即概念漂移检测与适应（Concept Drift Detection and Adaptation, D3A），该方法首先检测漂移的概念，然后在检测之后积极地使当前模型适应漂移的概念以实现快速适应。为了在模型适应中充分利用历史数据，我们提出了一种数据增强策略，在现有训练实例中引入高斯噪声。这有助于缓解数据分布差距，而该差距是导致训练-测试性能不一致的关键因素。我们的理论分析验证了数据增强过程的显著性。我们在六个数据集上的实证研究证明了D3A在提高模型适应能力方面的有效性。值得注意的是，与简单的时序卷积网络（TCN）基线相比，D3A将平均均方误差（MSE）降低了 $43.9\%$。对于最先进的（SOTA）模型，MSE降低了 $33.3\%$。