AutoCTS：自动化相关时间序列预测——扩展版
机器学习
2021-12-22 v1 人工智能
摘要
相关时间序列（CTS）预测在许多信息物理系统中起着至关重要的作用，其中多个传感器发出捕获相互关联过程的时间序列。基于深度学习、提供 SOTA CTS 预测性能的解决方案采用了多种时空（ST）块，能够建模时间序列间的时间依赖与空间关联。然而，两个挑战依然存在。第一，ST 块为人工设计，耗时且昂贵。第二，现有预测模型简单地多次堆叠相同 ST 块，限制了模型潜力。为应对这些挑战，我们提出 AutoCTS，其能自动识别极具竞争力的 ST 块，以及由异构 ST 块经多样拓扑连接（而非相同 ST 块经简单堆叠连接）而成的预测模型。具体而言，我们设计了微观与宏观两个搜索空间以建模 ST 块的可能架构及异构 ST 块间的连接，并给出一种能联合探索搜索空间以识别最优预测模型的搜索策略。在八个常用 CTS 预测基准数据集上的大量实验验证了我们的设计选择，并表明 AutoCTS 能自动发现优于 SOTA 人工设计模型的预测模型。本文为将发表于 PVLDB 2022 的「AutoCTS: Automated Correlated Time Series Forecasting」之扩展版。
引用
@article{arxiv.2112.11174,
title = {AutoCTS: Automated Correlated Time Series Forecasting -- Extended Version},
author = {Xinle Wu and Dalin Zhang and Chenjuan Guo and Chaoyang He and Bin Yang and Christian S. Jensen},
journal= {arXiv preprint arXiv:2112.11174},
year = {2021}
}
备注
to appear in PVLDB 2022