面向少样本时间序列预测的高斯过程潜变量建模
机器学习
2025-06-24 v2
摘要
准确的时间序列预测对于优化资源配置、工业生产和城市管理至关重要，尤其在信息物理与物联网系统不断增长的背景下。然而，物理与生物等领域中训练样本有限给预测带来了重大挑战。现有模型难以捕捉长期依赖，也难以在少样本场景下显式建模多样的元知识。为解决这些问题，我们提出 MetaGP，一种基于元学习的高斯过程潜变量模型，其利用高斯过程核函数捕捉长期依赖并保持时间序列的强相关性。我们还引入核关联搜索（Kernel Association Search, KAS）作为一种新颖的元学习组件，以显式建模元知识，从而提升可解释性与预测精度。我们在模拟与真实少样本数据集上研究 MetaGP，表明其具备最先进的预测精度。我们还发现 MetaGP 能够捕捉长期依赖并建模元知识，从而为复杂时间序列模式提供有价值的洞察。
引用
@article{arxiv.2212.10306,
title = {Gaussian Process Latent Variable Modeling for Few-shot Time Series Forecasting},
author = {Yunyao Cheng and Chenjuan Guo and Kaixuan Chen and Kai Zhao and Bin Yang and Jiandong Xie and Christian S. Jensen and Feiteng Huang and Kai Zheng},
journal= {arXiv preprint arXiv:2212.10306},
year = {2025}
}