ATLO-ML：自适应时间长度优化器——来自空气质量预测的洞见
机器学习
2025-10-09 v1 人工智能
摘要
机器学习中的准确时间序列预测严重受益于合适输入时间长度和抽样率的选择。本文引入ATLO-ML，一种自适应时间长度优化系统，根据用户定义的输出时间长度自动确定最佳输入时间长度和抽样率。该系统提供了灵活的时间序列数据预处理方法，动态调整这些参数以提升预测性能。ATLO-ML通过空气质量数据集进行验证，包括GAMS数据集和来自数据中心的专有数据，均为时间序列格式。结果表明，利用优化后的时间长度和抽样率可显著提高机器学习模型的准确率，而固定时间长度则不行。ATLO-ML展示了其在各种时间敏感型应用中的普适潜力，为机器学习工作流程中的时序输入参数优化提供了稳健解决方案。
引用
@article{arxiv.2510.06503,
title = {ATLO-ML: Adaptive Time-Length Optimizer for Machine Learning -- Insights from Air Quality Forecasting},
author = {I-Hsi Kao and Kanji Uchino},
journal= {arXiv preprint arXiv:2510.06503},
year = {2025}
}