面向时间序列预测的少样本学习
机器学习
2020-10-01 v1 机器学习
摘要
时间序列预测对许多应用而言十分重要。预测模型通常使用特定目标任务中的时间序列数据进行训练。然而，目标任务的充足数据可能难以获取，从而导致性能下降。本文提出一种少样本学习方法，在目标任务中给定少量时间序列的情况下预测其未来值。我们的模型使用不同于目标任务的多个训练任务中的时间序列数据进行训练。我们的模型利用少量时间序列，基于带注意力机制的循环神经网络构建预测函数。借助注意力机制，我们能够从少量时间序列中检索出对当前情形有用的模式。我们的模型通过最小化预测下一时间步值的期望测试误差进行训练。我们使用90个时间序列数据集证明了所提方法的有效性。
引用
@article{arxiv.2009.14379,
title = {Few-shot Learning for Time-series Forecasting},
author = {Tomoharu Iwata and Atsutoshi Kumagai},
journal= {arXiv preprint arXiv:2009.14379},
year = {2020}
}