FAF：一种面向少样本时间序列预测的特征自适应框架
机器学习
2025-06-25 v1 人工智能
摘要
多任务和少样本时间序列预测任务在诸如不同城市新产品发布等场景中常见。然而，传统时间序列预测方法因历史数据不足而受限，这源于对不同任务中通用特征与特定特征的忽视。针对上述挑战，我们提出了特征自适应时间序列预测框架 (FAF)，其包含三个关键组件：通用知识模块 (GKM)、任务特定模块 (TSM) 和排序模块 (RM)。在训练阶段，GKM 通过元学习机制进行更新，使模型能够提取跨相关任务的通用特征。同时，TSM 经过训练以通过多个功能区域捕获多样化的局部动态，其中每个区域从单个任务中学习特定特征。在测试阶段，RM 根据输入序列特征动态选择 TSM 中最相关的功能区域，然后与 GKM 学习的通用知识相结合，以生成准确的预测。该设计使 FAF 能够即使在稀疏历史观测下实现稳健且个性化的预测。我们在五个多样化的真实数据集上评估了 FAF，基于少样本时间序列预测的设置。实验结果表明，FAF 在包含三类时间序列预测方法的基线方法中 consistently 优于，特别是 FAF 在 CO 排放数据集上相对于最佳基线 iTransformer 取得 41.81% 的改进。
引用
@article{arxiv.2506.19567,
title = {FAF: A Feature-Adaptive Framework for Few-Shot Time Series Forecasting},
author = {Pengpeng Ouyang and Dong Chen and Tong Yang and Shuo Feng and Zhao Jin and Mingliang Xu},
journal= {arXiv preprint arXiv:2506.19567},
year = {2025}
}
备注
12 pages,4 figures, 8 tables