用于在线时间序列预测的长短期状态解耦：面向未知干预情形
机器学习
2025-02-19 v1 人工智能
摘要
当前的时间序列预测方法在在线场景中难以在数据顺序到达时保持长期依赖的同时适应短期变化。尽管一些近期方法通过控制潜在状态的更新来解决此问题，但无法解耦长短期状态，导致无法有效适应非平稳情况。为此，本文提出了一个用于在线时间序列预测的通用框架，以解耦长短期状态。我们的思路灵感来自观察到的短期变化可由类似股票市场中突发性政策等未知干预所致的事实。基于此洞见，我们构建了具有未知干预的短期状态数据生成过程。在 mild 假设下，我们进一步利用由未知干预引起的短期状态的独立性，建立了识别理论，以实现长短期状态的解耦。基于该理论，我们开发了长短期解耦模型（LSTD），分别使用长短期编码器提取长短期状态。此外，LSTD 模型融合了平滑约束以保持长期依赖，以及被中断依赖约束以强制忘记短期依赖，从而提升长短期状态的解耦效果。多个基准数据集上的实验表明，我们的 LSTD 模型在在线时间序列预测中优于现有方法，验证了其在实际应用中的有效性。
引用
@article{arxiv.2502.12603,
title = {Disentangling Long-Short Term State Under Unknown Interventions for Online Time Series Forecasting},
author = {Ruichu Cai and Haiqin Huang and Zhifang Jiang and Zijian Li and Changze Zhou and Yuequn Liu and Yuming Liu and Zhifeng Hao},
journal= {arXiv preprint arXiv:2502.12603},
year = {2025}
}