面向多变量时间序列预测的高效持续学习框架及其在车辆状态估计中的应用
机器学习
2025-04-08 v2 人工智能
摘要
在使用神经网络进行时间序列分析时, 当模型在新数据域上训练时, 对先前学习模型的灾难性遗忘 (catastrophic forgetting, CF) 始终是面临的重大挑战。这一问题在车辆估计与控制中尤为棘手, 因为新信息会依次引入模型。不幸的是, 现有的持续学习工作并未充分解决在时间序列分析中灾难性遗忘的负面影响, 尤其是在多变量输出环境中。本文提出 EM-ReSeleCT (Efficient Multivariate Representative Selection for Continual Learning in Time Series Tasks), 一个旨在处理多变量环境下持续学习的增强方法。该方法战略性地从旧数据和历史数据中选择代表性子集, 并将基于记忆的持续学习技术与改进的优化算法相结合, 以在保留先前学习信息的同时适应新信息。此外, 我们开发了一个专为车辆状态估计设计的序列到序列变压器模型 (自回归模型)。我们还提出了一个基于保形预测的不确定性量化框架, 以评估记忆大小的敏感性并展示所提方法的鲁棒性。来自电动 Equinox 车辆的实验结果凸显了我们方法在持续学习新信息的同时保持先前知识的优势, 在与最先进的持续学习方法进行比较后表现更佳。此外, EM-ReSeleCT 显著减少了训练时间，这在持续学习应用中尤为关键。
引用
@article{arxiv.2503.01669,
title = {An Efficient Continual Learning Framework for Multivariate Time Series Prediction Tasks with Application to Vehicle State Estimation},
author = {Arvin Hosseinzadeh and Ladan Khoshnevisan and Mohammad Pirani and Shojaeddin Chenouri and Amir Khajepour},
journal= {arXiv preprint arXiv:2503.01669},
year = {2025}
}