FRANS：时间序列预测的自动特征提取
机器学习
2022-09-16 v1
摘要
特征提取方法有助于降维并捕获相关信息。在时间序列预测（TSF）中，特征可作为辅助信息以获得更好的精度。传统上，TSF中使用的特征是手工设计的，这需要领域知识和大量的数据工程工作。在本研究中，我们首先引入静态与动态特征的概念，进而使我们能够开发不需要领域知识的自主静态特征提取自回归网络（FRANS）。该方法基于一个CNN分类器，训练其为每个序列从序列的部分或（若有类别标签）从同一类的一组序列创建集体且唯一的类别表示。它可区分具有相似行为但来自不同类别的序列，并使从分类器提取的特征具有最大判别性。我们探究了特征的可解释性，并在预测元学习环境FFORMA中评估了该方法的预测能力。我们的结果表明，在大多数情况下我们的特征带来了精度的提升。一旦训练完成，我们的方法创建特征比统计方法快几个数量级。
引用
@article{arxiv.2209.07018,
title = {FRANS: Automatic Feature Extraction for Time Series Forecasting},
author = {Alexey Chernikov and Chang Wei Tan and Pablo Montero-Manso and Christoph Bergmeir},
journal= {arXiv preprint arXiv:2209.07018},
year = {2022}
}