基于双层规划的自动化少样本时间序列预测
机器学习
2022-03-08 v1 神经与进化计算
摘要
采用可再生能源与电池储能系统的新型微电网设计有助于改善温室气体排放并降低运营成本。为对能源发电与负荷需求提供有效的短期/长期预测，时间序列预测建模已成为指导规划与运行最优决策的关键工具之一。时间序列可再生能源预测的关键挑战之一是缺乏历史数据以训练充分的预测模型。此外，机器学习模型的性能对其相应超参数的选择十分敏感。鉴于上述考量，本文从双层规划视角出发，提出了 BiLO-Auto-TSF/ML 框架，可自动化设计少样本学习流水线。具体而言，下层元学习助力基学习器以缓解小数据挑战，而上层的超参数优化则主动搜索基学习器与元学习器的最优超参数配置。需注意，所提框架具有通用性，任何现成的机器学习方法均可即插即用。综合实验充分证明了我们所提 BiLO-Auto-TSF/ML 框架在为多种能源搜索高性能少样本学习流水线方面的有效性。
引用
@article{arxiv.2203.03328,
title = {Automated Few-Shot Time Series Forecasting based on Bi-level Programming},
author = {Jiangjiao Xu and Ke Li},
journal= {arXiv preprint arXiv:2203.03328},
year = {2022}
}