打破数据孤岛：自适应模型融合实现更优时间序列预测

时间序列预测在许多实际应用中发挥着关键作用。虽然开发了越来越强大的模型并在基准数据集上取得优异结果,但通过细粒度的样本级检查,我们发现:(i)没有单个模型在不同测试样本上始终优于其他模型,而是:(ii)每个模型在特定情况下都表现出色。这促使我们探索如何自适应地利用各种预测模型在不同样本上的独特优势。我们引入TimeFuse,一种用于样本级自适应融合异构模型的集体时间序列预测框架。TimeFuse利用元特征来描述输入时间序列,并训练可学习的融合器以预测给定输入的最优模型融合权重。融合器可以利用来自不同数据集的样本进行联合训练,使其能够适应各种时间模式,从而能够推广到来自未见数据集的新输入。广泛的实验表明,TimeFuse在各种长期/短期预测任务中均有效,相较于最先进的单个模型实现了近乎普遍的改进。代码可在https://github.com/ZhiningLiu1998/TimeFuse获取。