面向在线时间序列预测的动态多周期专家
机器学习
2026-03-11 v1
摘要
在线时间序列预测（OTSF）要求模型持续适应概念漂移。然而，现有方法常将概念漂移视为单一现象。为此，本文首先通过将概念漂移分为两种 distinct 类型进行重新定义：一种是周期性漂移（Recurring Drift），即先前看到的模式重新出现；另一种是新型漂移（Emergent Drift），即全新模式出现。随后，我们提出DynaME（Dynamic Multi-period Experts），一个新型混合框架，旨在有效应对漂移的双重性质。针对周期性漂移，DynaME采用一组专家 committee，动态适配每个时间步骤中最相关的历史周期模式。针对新型漂移，框架检测高不确定性情形，转而依赖稳定的通用专家。 extensive 实验表明，DynaME有效适应两种概念漂移，显著优于现有基线方法。
引用
@article{arxiv.2603.09062,
title = {Dynamic Multi-period Experts for Online Time Series Forecasting},
author = {Seungha Hong and Sukang Chae and Suyeon Kim and Sanghwan Jang and Hwanjo Yu},
journal= {arXiv preprint arXiv:2603.09062},
year = {2026}
}
备注
WWW 2026