超越数据稀缺：基于频率驱动的零样本时间序列预测框架
机器学习
2024-11-26 v1 人工智能
摘要
时间序列预测是众多实际应用中的关键任务，需基于观察模式准确预测未来值。虽然传统预测技术在数据充足的领域内表现良好，但在数据稀缺或不可用的情形下却难以胜任，这催生了零样本和少样本学习的新需求。近期进展常借助大规模基础模型实现此类任务，但这些方法需要大量数据和计算资源，且可能因有效学习训练集中可用数据而受限。这引出根本性问题：什么因素影响时间序列预测中有效的数据学习？为此，我们提出利用傅里叶分析来探究模型如何从合成数据和真实时间序列数据中学习。我们的发现表明，预测模型常在处理多频率数据时学习不佳，且对未见频率的泛化能力较差，这会限制其预测性能。为缓解此问题，我们提出一种新型合成数据生成框架，旨在增强真实数据或完全取代其作用，通过创建特定于任务的频率信息，仅需目标数据的采样率。我们的方法（Freq-Synth）提高了基础模型及非基础模型在零样本和少样本设置下的鲁棒性，促进了在数据有限场景下的可靠时间序列预测。
引用
@article{arxiv.2411.15743,
title = {Beyond Data Scarcity: A Frequency-Driven Framework for Zero-Shot Forecasting},
author = {Liran Nochumsohn and Michal Moshkovitz and Orly Avner and Dotan Di Castro and Omri Azencot},
journal= {arXiv preprint arXiv:2411.15743},
year = {2024}
}