基于反事实推理的工业时间序列预测域适应方法
机器学习
2024-07-22 v1 信息论
math.IT
摘要
工业时间序列作为结构性数据，能响应生产过程信息，可用于数据驱动的决策，以有效监控工业生产过程。然而，工业时间序列预测存在一些挑战，例如因数据不足导致的零样本预测，以及因未知处理策略导致的决策混淆。为应对这些问题，我们提出了一种新颖的因果域适应框架，即 Causal Domain Adaptation (CDA) 预测器，以提高在数据有限（目标域）上的性能。首先，我们分析沿着处理措施存在的因果关系，从而确保跨时间的共享因果性。随后，我们提出一种基于答案的注意力机制，通过共享因果性在两个域之间实现域无关表示。然后，构建一种新型域适应方法，以联合建模处理措施和结果的方式在源域和目标域上进行训练。主要思想是，我们设计的基于答案的注意力机制允许目标域即使在不同的处理措施下，也能利用源时间序列中已有的因果关系；我们的预测器能够预测工业时间序列的反事实结果，从而为生产过程提供指导。与常用基线方法相比，我们的方法在真实世界和合成油田数据集上表现出在跨域预测方面的有效性以及在指导生产过程中的实用性。
引用
@article{arxiv.2407.14214,
title = {Domain Adaptation for Industrial Time-series Forecasting via Counterfactual Inference},
author = {Chao Min and Guoquan Wen and Jiangru Yuan and Jun Yi and Xing Guo},
journal= {arXiv preprint arXiv:2407.14214},
year = {2024}
}