基于超网络对抗分布偏移以实现精确时间序列预测
机器学习
2022-07-15 v2 人工智能
摘要
时间序列预测在城市生活中有着广泛应用，从空气质量监测到交通分析不一而足。然而，精确的时间序列预测颇具挑战，因为真实世界的时间序列饱受分布偏移问题困扰，其统计特性随时间变化。尽管针对域适应或域泛化中的分布偏移已有大量解决方案，但它们在未知且持续变化的分布偏移（在时间序列中十分常见）下无法有效发挥作用。本文提出超网络时间序列预测（HTSF），一种基于超网络的框架，用于在分布偏移下实现精确时间序列预测。HTSF以端到端方式联合学习时变分布及相应的预测模型。具体而言，HTSF利用超层学习分布偏移的最佳表征，为主层生成模型参数以做出准确预测。我们将HTSF实现为一个可扩展框架，能够纳入诸如RNN和Transformer等多种时间序列预测模型。在9个基准上的大量实验表明，HTSF达到了最先进的性能。
引用
@article{arxiv.2202.10808,
title = {Combating Distribution Shift for Accurate Time Series Forecasting via Hypernetworks},
author = {Wenying Duan and Xiaoxi He and Lu Zhou and Lothar Thiele and Hong Rao},
journal= {arXiv preprint arXiv:2202.10808},
year = {2022}
}
备注
8 pages, 5 figures