面向层次化时间序列的异质模型动态组合
机器学习
2023-01-18 v2
摘要
我们引入一种称为 \texttt{DYCHEM} 的异质模型动态组合框架，用于预测通过聚合层次相关联的一组时间序列。可采用不同类型的预测模型作为个体“专家”，使每个模型适配相应时间序列的性质。\texttt{DYCHEM} 在训练阶段学习层次结构，以帮助对所有被建模的时间序列更好地泛化，并缓解由层次所施加约束引起的协调性问题。为提升预测可靠性，我们基于组合异质模型所得的点预测构建分位数估计。所得分位数预测是协调的，且独立于预测模型的选择。我们对层次化时间序列（HTS）的点预测与分位数预测进行了全面评估，包括公开数据及来自一家大型金融软件公司的用户记录。总体而言，我们的方法鲁棒、可适配不同性质的数据集，并且对大规模预测流水线高度可配置且高效。
引用
@article{arxiv.2112.11669,
title = {Dynamic Combination of Heterogeneous Models for Hierarchical Time Series},
author = {Xing Han and Jing Hu and Joydeep Ghosh},
journal= {arXiv preprint arXiv:2112.11669},
year = {2023}
}
备注
ICDM 2022 Workshops, 10 pages, 6 figures