上下文至关重要：利用上下文特征进行时间序列预测
机器学习
2025-01-15 v5 人工智能
摘要
时间序列预测通常不仅受其自身历史的影响，还受外生上下文特征的影响。例如，在金融环境中，不考虑以新闻文章、推文等形式存在的公众情绪和政策决策，就很难准确预测股票价格。尽管这是常识，但当前最先进的(SOTA)预测模型由于上下文特征的异质性和多模态性，未能纳入此类上下文信息。为解决此问题，我们引入了ContextFormer，这是一种新颖的即插即用方法，可将多模态上下文信息精确地集成到现有的预训练预测模型中。ContextFormer有效地从丰富的多模态上下文中（包括类别型、连续型、时变型甚至文本信息）提取预测特定信息，从而显著增强现有基础预测器的性能。在涵盖能源、交通、环境和金融领域的多个真实世界数据集上，ContextFormer的性能比SOTA预测模型高出30%。
引用
@article{arxiv.2410.12672,
title = {Context Matters: Leveraging Contextual Features for Time Series Forecasting},
author = {Sameep Chattopadhyay and Pulkit Paliwal and Sai Shankar Narasimhan and Shubhankar Agarwal and Sandeep P. Chinchali},
journal= {arXiv preprint arXiv:2410.12672},
year = {2025}
}