基于时空自举的关联时间序列自监督表示学习
机器学习
2023-06-21 v2 人工智能
摘要
关联时间序列分析在许多现实行业发挥着重要作用。为后续下游任务学习该大规模数据的高效表示是必要的但具挑战性。本文中，我们提出一种通过自举时空表示预测针对个体实例的时间步级表示学习框架。我们在关联时间序列预测及将预测模型冷启动迁移至数据有限的新实例上评估了表示学习框架的有效性与灵活性。在所学表示之上训练的线性回归模型表明我们的模型在大多数情况下表现最佳。尤其相较于表示学习模型，我们在 PeMS-BAY 数据集上分别将 RMSE、MAE 和 MAPE 降低了 37%、49% 和 48%。此外，在真实地铁客流数据中，我们的框架展示了迁移推断新冷启动实例未来信息的能力，增益分别为 15%、19% 和 18%。源代码将于 GitHub https://github.com/bonaldli/Spatiotemporal-TS-Representation-Learning 发布。
引用
@article{arxiv.2306.06994,
title = {Correlated Time Series Self-Supervised Representation Learning via Spatiotemporal Bootstrapping},
author = {Luxuan Wang and Lei Bai and Ziyue Li and Rui Zhao and Fugee Tsung},
journal= {arXiv preprint arXiv:2306.06994},
year = {2023}
}
备注
Accepted to IEEE CASE 2023