基于元变换器网络的动态长期时间序列预测
机器学习
2024-01-26 v1 人工智能
摘要
可靠的长期时间序列预测器在实践中需求很高，但面临诸多挑战，例如低计算和内存占用以及对动态学习环境的鲁棒性。本文提出了元变换器网络（MANTRA）来处理动态长期时间序列预测任务。MANTRA 依赖于快学习器和慢学习器的概念，其中一组快学习器学习数据分布的不同方面，同时快速适应变化。慢学习器为快学习器定制合适的表示。对动态环境的快速适应是通过通用表示变换器层实现的，该层以少量参数生成任务适应的表示。我们使用四个具有不同预测长度的数据集进行的实验证明了我们方法的优势，在多变量和单变量设置下，相较于基线算法至少有 的提升。MANTRA 的源代码在 \url{https://github.com/anwarmaxsum/MANTRA} 上公开可用。
引用
@article{arxiv.2401.13968,
title = {Dynamic Long-Term Time-Series Forecasting via Meta Transformer Networks},
author = {Muhammad Anwar Ma'sum and MD Rasel Sarkar and Mahardhika Pratama and Savitha Ramasamy and Sreenatha Anavatti and Lin Liu and Habibullah and Ryszard Kowalczyk},
journal= {arXiv preprint arXiv:2401.13968},
year = {2024}
}
备注
Under Consideration in IEEE Transactions on Artificial Intelligence