利用稀疏但具信息量的变量进行预测：以血糖预测为例
机器学习
2023-04-19 v1
摘要
在时间序列预测中，未来目标值可能受到内在效应与外在效应的共同影响。例如，在预测血糖时，内在效应可仅从目标信号（即血糖）的历史推断，但准确建模外在效应的影响需要辅助信号，如摄入的碳水化合物量。标准预测技术通常假设外在效应与内在效应以相似速率变化。然而，当辅助信号的生成频率远低于目标变量（例如，血糖测量每5分钟一次，而进餐每几小时一次）时，即便是众所周知的外在效应（如碳水化合物升高血糖）也可能难以学习。为更好地利用这些稀疏但具信息量的变量（SIVs），我们引入了一种新颖的编码器/解码器预测方法，通过（i）将其与内在效应隔离，以及（ii）基于领域知识限制其学习到的效应，准确学习SIV在每个时间点的效应。在一项关于血糖预测任务的模拟数据集上，当SIV被准确记录时，我们的方法在rMSE上优于基线方法（13.07 [95% CI: 11.77,14.16] 对比 14.14 [12.69,15.27]）。在SIV受损的情况下，所提方法仍可比基线产生更低的误差，但优势随噪声增大而减小。通过隔离其效应并融入领域知识，我们的方法使得在预测中更好地利用SIV成为可能。
引用
@article{arxiv.2304.08593,
title = {Forecasting with Sparse but Informative Variables: A Case Study in Predicting Blood Glucose},
author = {Harry Rubin-Falcone and Joyce Lee and Jenna Wiens},
journal= {arXiv preprint arXiv:2304.08593},
year = {2023}
}
备注
10 pages, 9 figures, 5 tables, accepted to AAAI23