通过测试时适应应对时间序列预测中的非平稳性
机器学习
2025-01-10 v1 人工智能
摘要
深度神经网络在时间序列预测（TSF）中取得了显著进展，这是时间序列建模的主要任务之一。然而，时间序列的非平稳性削弱了预训练源时间序列预测器在关键任务部署环境中的可靠性。在本研究中，我们引入了一个开创性的测试时适应框架，专门用于TSF（TSF-TTA）。TAFAS，所提出的TSF-TTA方法，灵活地将源预测器适应于不断变化的测试分布，同时保留预训练期间学到的核心语义信息。部分观测到的真实值和门控校准模块的新颖利用使得源预测器能够主动、鲁棒且模型无关地适应。在多样化的基准数据集和前沿架构上的实验证明了TAFAS的有效性和通用性，特别是在遭受显著分布漂移的长期预测场景中。代码可在https://github.com/kimanki/TAFAS获取。
引用
@article{arxiv.2501.04970,
title = {Battling the Non-stationarity in Time Series Forecasting via Test-time Adaptation},
author = {HyunGi Kim and Siwon Kim and Jisoo Mok and Sungroh Yoon},
journal= {arXiv preprint arXiv:2501.04970},
year = {2025}
}
备注
Accepted at AAAI 2025