AutoTS：基于两阶段剪枝的自动时间序列预测模型设计
机器学习
2022-03-29 v1
摘要
自动时间序列预测（TSF）模型设计旨在帮助用户为给定时间序列数据场景高效设计合适的预测模型，是一个亟待解决的新颖研究课题。在本文中，我们提出 AutoTS 算法，试图利用已有的设计技巧并设计高效的搜索方法以有效解决该问题。在 AutoTS 中，我们从现有 TSF 工作中提取有效设计经验。我们允许来自不同来源的设计经验有效组合，从而创建一个包含多种 TSF 模型、支持不同 TSF 任务的有效搜索空间。考虑到巨大的搜索空间，在 AutoTS 中我们提出两阶段剪枝策略以降低搜索难度并提高搜索效率。此外，在 AutoTS 中我们引入知识图谱以揭示模块选项之间的关联。我们充分利用这些关联信息学习每个模块选项的更高层特征，从而进一步提高搜索质量。大量实验结果表明 AutoTS 非常适用于 TSF 领域。它比现有的神经架构搜索算法更高效，并且能比人工设计的模型更快地设计出更强大的 TSF 模型。
引用
@article{arxiv.2203.14169,
title = {AutoTS: Automatic Time Series Forecasting Model Design Based on Two-Stage Pruning},
author = {Chunnan Wang and Xingyu Chen and Chengyue Wu and Hongzhi Wang},
journal= {arXiv preprint arXiv:2203.14169},
year = {2022}
}
备注
11 pages