从相似性到优越性：面向时间序列预测的通道聚类
机器学习
2024-11-07 v2 人工智能
摘要
时间序列预测在近几十年引起了广泛关注。先前的研究表明，通道独立（CI）策略通过单独处理不同通道提高了预测性能，但它导致对未见实例的泛化能力差，并忽略了通道之间可能必要的交互。相反，通道依赖（CD）策略将所有通道混合在一起，甚至包含无关和 indiscriminate 的信息，然而这导致了过平滑问题并限制了预测精度。目前缺乏一种通道策略，能够有效平衡单独通道处理以提高预测性能，同时不忽略通道之间的基本交互。受时间序列模型性能提升与通道混合时通道对内在相似性之间相关性的观察启发，我们开发了一种新颖且适应性强的通道聚类模块（CCM）。CCM动态分组具有内在相似性的通道，并利用聚类信息而不是单个通道身份，结合了CD和CI的最佳特性。在真实世界数据集上的大量实验表明，CCM能够：（1）在长期和短期预测中，分别将CI和CD模型的性能平均提升2.4%和7.2%；（2）实现主流时间序列预测模型的零样本预测；（3）揭示通道间内在的时间序列模式，并提高复杂时间序列模型的可解释性。
引用
@article{arxiv.2404.01340,
title = {From Similarity to Superiority: Channel Clustering for Time Series Forecasting},
author = {Jialin Chen and Jan Eric Lenssen and Aosong Feng and Weihua Hu and Matthias Fey and Leandros Tassiulas and Jure Leskovec and Rex Ying},
journal= {arXiv preprint arXiv:2404.01340},
year = {2024}
}
备注
NeurIPS 2024