auto-sktime：自动化时间序列预测

在当今数据驱动的环境中，时间序列预测在各个领域的决策制定中至关重要。然而，日益多样化的时间序列数据，加上可用预测方法的不断扩展，给预测者带来了重大挑战。为了满足对高效预测日益增长的需求，我们引入了 auto-sktime，一个用于自动化时间序列预测的新框架。该框架利用自动化机器学习技术的力量，实现整个预测流水线创建的自动化。该框架采用贝叶斯优化，从统计模型、机器学习 (ML) 模型和深度神经网络 (DNN) 模型中自动构建流水线。此外，我们提出了三项将 AutoML 适应于时间序列数据的关键改进。第一，用于适应不同支持预测模型的流水线模板。第二，一种新颖的暖启动技术，用于从先前的优化运行中启动优化。第三，我们调整了多保真度优化，使其适用于包含统计、ML 和 DNN 模型的搜索空间。在 64 个多样的真实世界时间序列数据集上的实验结果证明了该框架的有效性和高效性，在仅需极少人工干预的情况下优于传统方法。