具有异构通道的时间序列小样本预测
机器学习
2022-08-19 v2
摘要
学习复杂的时间序列预测模型通常需要大量数据，因为每个模型都是针对每个任务/数据集从头开始训练的。利用来自相似数据集的学习经验是分类问题中一项成熟的技术，称为小样本分类。然而，现有的方法无法应用于时间序列预测，因为 i) 多变量时间序列数据集具有不同的通道，且 ii) 预测在本质上不同于分类。在本文中，我们首次将具有异构通道的时间序列小样本预测问题形式化。扩展了向量数据中异构属性的近期工作，我们开发了一个由置换不变的深度集合块组成并融合时间嵌入的模型。我们构建了首个包含 40 个多变量时间序列数据集的元数据集，并通过实验表明我们的模型提供了良好的泛化能力，优于从简单场景沿用的基线方法，这些基线要么无法跨任务学习，要么丢失了时间信息。
引用
@article{arxiv.2204.03456,
title = {Few-Shot Forecasting of Time-Series with Heterogeneous Channels},
author = {Lukas Brinkmeyer and Rafael Rego Drumond and Johannes Burchert and Lars Schmidt-Thieme},
journal= {arXiv preprint arXiv:2204.03456},
year = {2022}
}
备注
Under review. Equal contribution (Brinkmeyer and Rego Drumond)