面向非平稳多变量时间序列的无偏在线动态学习：用于不锈炉质量预测
机器学习
2026-04-13 v1 神经与进化计算
摘要
准确预测非平稳多变量时间序列仍是复杂工业系统（如铁矿石不锈炉）中的关键挑战。实际情况下，显著概念漂移且标签验证延迟显著快速降低离线训练模型的性能。基于静态架构或被动更新策略的方法难以同时提取多尺度时空特征且在没有即时监督的情况下解决稳定-塑性困境。为此，提出了漂移感知多尺度动态学习 (DA-MSDL) 框架，通过在非平稳数据流上进行在线自适应机制来维持稳健的多输出预测性能。该框架采用多尺度双支路卷积网络作为主干，以分离局部波动与长期趋势，从而增强对复杂动态模式的表征能力。为克服标签延迟瓶颈，DA-MSDL 利用最大均值差异 (MMD) 实现无监督漂移检测。通过量化特征分布在线统计偏差，DA-MSDL 主动触发模型适应，早于推断。此外，发展了漂移严重程度引导的分层微调策略。该方法通过动态内存队列中的优先级经验回放，实现快速分布对齐，同时有效缓解灾�忘记。长期在真实工业不锈炉数据和公共基准数据集上的实验表明，DA-MSDL 在严重概念漂移下始终优于代表性基线。该框架展现出强大的跨域泛化和预测稳定性，为非平稳环境中的质量监控提供了有效的在线动态学习范式。
引用
@article{arxiv.2604.09358,
title = {Drift-Aware Online Dynamic Learning for Nonstationary Multivariate Time Series: Application to Sintering Quality Prediction},
author = {Yumeng Zhao and Shengxiang Yang and Xianpeng Wang},
journal= {arXiv preprint arXiv:2604.09358},
year = {2026}
}