AutoAI-TS：面向时间序列预测的AutoAI
机器学习
2021-03-09 v2 人工智能
摘要
文献中已提出大量时间序列预测模型，包括传统统计模型、机器学习模型以及近期的深度学习模型。然而，为给定数据选择合适的模型及良好的参数值以取得优异性能仍具挑战性。针对给定数据集自动为用户提供一组优良模型，可节省因使用试错法遍历各种可用模型及参数优化所带来的时间与精力。我们提出面向时间序列预测的AutoAI（AutoAI-TS），为用户提供一个零配置（zero-conf）系统，以高效训练、优化并从各类模型中为给定数据集选择最佳预测模型。凭借其灵活的零配置设计，AutoAI-TS自动为用户执行所有数据准备、模型创建、参数优化、训练及模型选择，并提供可即用的训练模型。对于给定数据，AutoAI-TS利用多种模型（包括经典统计模型、机器学习（ML）模型、统计-ML混合模型及深度学习模型）以及各种变换来构建预测流水线。随后它使用所提出的T-Daub机制对流水线进行评估和排序，以选择最佳流水线。本文详细描述了AutoAI-TS的所有技术细节，并在多种实际数据集上针对各类用例进行了广泛基准测试。基准结果表明，无需用户手动配置，AutoAI-TS自动训练并选择的流水线平均优于现有最先进（state-of-the-art）的时间序列预测工具包。
引用
@article{arxiv.2102.12347,
title = {AutoAI-TS: AutoAI for Time Series Forecasting},
author = {Syed Yousaf Shah and Dhaval Patel and Long Vu and Xuan-Hong Dang and Bei Chen and Peter Kirchner and Horst Samulowitz and David Wood and Gregory Bramble and Wesley M. Gifford and Giridhar Ganapavarapu and Roman Vaculin and Petros Zerfos},
journal= {arXiv preprint arXiv:2102.12347},
year = {2021}
}
备注
Accepted for publication at ACM SIGMOD 2021 Industry Track