AutoMixer：基于通道压缩预训练与微调流程改进业务与IT可观测性数据的多元时间序列预测
机器学习
2023-11-03 v2 人工智能
摘要
业务流程的效率依赖于业务关键绩效指标（Biz-KPIs），而这些指标可能受到IT故障的负面影响。业务与IT可观测性（BizITObs）数据将Biz-KPIs与IT事件通道融合为多元时间序列数据。提前预测Biz-KPIs可通过主动纠正措施提升效率与收益。然而，BizITObs数据通常表现出Biz-KPIs与IT事件之间既有有用又有噪声的通道间交互，需要被有效解耦。这导致在采用现有多元预测模型时预测性能次优。为此，我们提出AutoMixer，一种基于通道压缩预训练与微调流程这一新颖技术的时间序列基础模型（FM）方法。AutoMixer利用AutoEncoder进行通道压缩预训练，并将其与先进的TSMixer模型集成以进行多元时间序列预测。该融合显著增强了TSMixer的准确预测能力，并能在多个下游任务上良好泛化。通过详尽的实验与仪表盘分析，我们展示了AutoMixer持续提高Biz-KPI预测精度（11–15%）的能力，这直接转化为可操作的业务洞察。
引用
@article{arxiv.2310.20280,
title = {AutoMixer for Improved Multivariate Time-Series Forecasting on Business and IT Observability Data},
author = {Santosh Palaskar and Vijay Ekambaram and Arindam Jati and Neelamadhav Gantayat and Avirup Saha and Seema Nagar and Nam H. Nguyen and Pankaj Dayama and Renuka Sindhgatta and Prateeti Mohapatra and Harshit Kumar and Jayant Kalagnanam and Nandyala Hemachandra and Narayan Rangaraj},
journal= {arXiv preprint arXiv:2310.20280},
year = {2023}
}
备注
Accepted in the Thirty-Sixth Annual Conference on Innovative Applications of Artificial Intelligence (IAAI-24)