AutoML遇见时间序列回归：AutoSeries挑战赛的设计与分析
机器学习
2021-12-28 v2
摘要
以有限人力更好地分析时间序列对学术界和工业界都颇具意义。受业务场景驱动，我们为WSDM Cup 2020组织了首个自动化时间序列回归挑战赛（AutoSeries）。我们介绍了其设计、分析及事后实验。代码提交要求排除了参与者的任何人工干预，在许多数据集上、于硬件与时间限制下测试了解决方案的自动化机器学习能力。我们准备了来自不同应用领域（销售、功耗、空气质量、交通与停车）的10个数据集，具有缺失数据、连续与类别变量混合以及多种采样率的特征。每个数据集被划分为训练序列与测试序列（测试序列以流形式给出，允许模型持续适应）。该时间序列回归设定不同于经典预测之处在于当前时刻的协变量是已知的。参与者在解决此AutoSeries问题上取得了巨大进展，从样例提交的性能跃升以及与AutoGluon的事后比较可见一斑。他们使用了基于特征工程、LightGBM和随机搜索超参数调优的简单而有效的方法，应对了挑战的各个方面。我们的事后分析显示，提供额外时间并未带来显著改进。获胜者代码已开源 https://github.com/NehzUx/AutoSeries。
引用
@article{arxiv.2107.13186,
title = {AutoML Meets Time Series Regression Design and Analysis of the AutoSeries Challenge},
author = {Zhen Xu and Wei-Wei Tu and Isabelle Guyon},
journal= {arXiv preprint arXiv:2107.13186},
year = {2021}
}