基于局部差异密度的深度不平衡时间序列预测
机器学习
2023-09-25 v2 人工智能
摘要
时间序列预测模型常在特定时间段内遭遇突变，其通常由意外或未知事件引起。尽管突变在训练集中极少出现，却会带来对总损失有显著贡献的损失。因此，它们充当噪声训练样本，阻碍模型学习可泛化模式即正常状态。基于我们的发现，提出一种重加权框架，降低突变所致损失的权重并提升正常状态所致损失的权重。对于该重加权框架，我们首先定义称为局部差异(LD)的度量，用以衡量给定时间段内变化的突变程度。由于训练集主要由正常状态组成，我们进而基于LD考量时间变化在训练集中出现的频繁程度。我们的重加权框架可应用于现有时间序列预测模型而不限架构。通过在八个具有不同输入输出序列长度的数据集上对12个时间序列预测模型进行大量实验，我们表明应用该重加权框架使MSE平均降低10.1%，在最先进模型中最高降低18.6%。
引用
@article{arxiv.2302.13563,
title = {Deep Imbalanced Time-series Forecasting via Local Discrepancy Density},
author = {Junwoo Park and Jungsoo Lee and Youngin Cho and Woncheol Shin and Dongmin Kim and Jaegul Choo and Edward Choi},
journal= {arXiv preprint arXiv:2302.13563},
year = {2023}
}
备注
Accepted at European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML/PKDD) 2023