Dish-TS：缓解时间序列预测中分布偏移的通用范式
机器学习
2023-03-15 v3 人工智能
摘要
时间序列预测（TSF）中的分布偏移，即序列分布随时间变化，极大阻碍了 TSF 模型的性能。现有针对时间序列分布偏移的工作大多局限于分布的量化，且更重要的是，忽视了回看窗口与预测窗口之间潜在的偏移。为应对上述挑战，我们将 TSF 中的分布偏移系统地归纳为两类。将回看窗口视为输入空间、预测窗口视为输出空间，存在（i）空间内偏移，即输入空间内的分布随时间持续偏移；以及（ii）空间间偏移，即输入空间与输出空间之间的分布发生偏移。随后我们提出 Dish-TS，一种缓解 TSF 中分布偏移的通用神经范式。具体而言，为更好地估计分布，我们提出系数网络（CONET），其可为任意神经架构，用于将输入序列映射为可学习的分布系数。为缓解空间内与空间间偏移，我们将 Dish-TS 组织为双 CONET 框架，分别学习输入空间和输出空间的分布，从而自然捕捉两空间的分布差异。此外，我们为难以处理的 CONET 学习引入了更有效的训练策略。最后，我们在多个数据集上结合不同最先进预测模型进行了大量实验。实验结果表明 Dish-TS 一致地提升了它们，平均改进超过 20%。代码已公开。
引用
@article{arxiv.2302.14829,
title = {Dish-TS: A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting},
author = {Wei Fan and Pengyang Wang and Dongkun Wang and Dongjie Wang and Yuanchun Zhou and Yanjie Fu},
journal= {arXiv preprint arXiv:2302.14829},
year = {2023}
}
备注
Accepted by AAAI 2023