通过 tsMorph 增强算法性能理解：生成半合成时间序列以实现稳健的预测评估
机器学习
2024-10-23 v2 人工智能
摘要
时间序列预测是一个具有重要科学和工业价值的课题。尽管预测方法得到了广泛应用，但旨在理解这些方法在何种条件下表现优异或不佳的研究却十分匮乏。实证研究虽然常见，但受限于时间序列数据集的可用性不足，难以提取可靠的见解。为了解决这一局限性，我们提出了 tsMorph，一个通过数据集变形生成半合成时间序列的工具。tsMorph 的工作原理是从两个原始数据集中创建一系列数据集。生成数据集的特征逐渐偏离其中一个数据集的特征，并收敛于另一个数据集的属性。该方法为获取大量数据集提供了一个有价值的替代方案。在本文中，我们通过评估 Long Short-Term Memory Network 和 DeepAR 预测算法的预测性能，展示了 tsMorph 的优势。用于实验的时间序列来自 NN5 竞赛。实验结果提供了重要的见解。值得注意的是，这两种算法的性能随时间序列的频率成比例提高。这些实验证实，tsMorph 可以作为一个有效的工具，用于更好地理解预测算法的行为，为克服实证研究带来的局限性提供途径，并实现更广泛、更可靠的实验。
引用
@article{arxiv.2312.01344,
title = {Enhancing Algorithm Performance Understanding through tsMorph: Generating Semi-Synthetic Time Series for Robust Forecasting Evaluation},
author = {Moisés Santos and André de Carvalho and Carlos Soares},
journal= {arXiv preprint arXiv:2312.01344},
year = {2024}
}