CRAFT：基于跨未来行为感知的时间序列预测
机器学习
2025-05-21 v1
摘要
过去数十年间，时间序列预测（TSF）在包括电子商务和疾病传播预测在内的众多实际领域取得了显著进展。然而，TSF 通常受限于仅凭有限的过去观察数据预测未来数据的不确定性困境。为解决此问题，我们探索了时间序列预测中的跨未来行为（Cross-Future Behavior, CFB），即在当前时间之前发生，但在未来生效。我们利用 CFB 特征提出基于跨未来行为感知的时间序列预测方法（CRAFT）。CRAFT 的核心思想是利用跨未来行为的趋势来挖掘待预测时间序列数据的趋势。具体而言，为解决跨未来行为的稀疏和部分问题，CRAFT 采用 Koopman 预测模块提取关键趋势，并引入内部趋势挖掘模块来补充跨未来行为矩阵中未知区域。随后，我们引入具有层次结构的外部趋势指导模块，以获取更具代表性的趋势。最后，我们应用需求约束损失来校准预测结果的分布偏差。在真实世界数据集上进行的实验表明，CRAFT 在离线大规模数据集和在线 A/B 测试中均显示出有效性。我们的数据集和代码已公开于 https://github.com/CRAFTinTSF/CRAFT。
关键词
引用
@article{arxiv.2505.13896,
title = {CRAFT: Time Series Forecasting with Cross-Future Behavior Awareness},
author = {Yingwei Zhang and Ke Bu and Zhuoran Zhuang and Tao Xie and Yao Yu and Dong Li and Yang Guo and Detao Lv},
journal= {arXiv preprint arXiv:2505.13896},
year = {2025}
}