全局时间序列预测中概念漂移的处理
机器学习
2023-04-05 v1 人工智能
摘要
基于机器学习（ML）的时间序列预测模型在产生预测时往往要求并假设数据具有一定程度的平稳性。然而，在许多真实场景中，数据分布并非平稳，会随时间变化，从而降低预测模型的精度，在ML文献中这被称为概念漂移。处理预测中的概念漂移对当今许多使用的ML方法至关重要，但已有工作仅提出了处理分类领域中概念漂移的方法。为填补此空白，我们探索了尤其针对全局预测模型（GFM）的概念漂移处理方法，GFM近期在预测领域已获得关注。我们提出了两种基于连续自适应加权概念的新概念漂移处理方法，即误差贡献加权（ECW）和梯度下降加权（GDW）。这些方法使用两个分别用最新序列和所有序列训练的预测模型，最终将两个模型给出的预测加权平均值作为最终预测。以LightGBM作为底层基学习器，在三个模拟数据集的评估中，所提模型在四种评价指标上比一组统计基线和LightGBM基线取得了显著更高的精度。
引用
@article{arxiv.2304.01512,
title = {Handling Concept Drift in Global Time Series Forecasting},
author = {Ziyi Liu and Rakshitha Godahewa and Kasun Bandara and Christoph Bergmeir},
journal= {arXiv preprint arXiv:2304.01512},
year = {2023}
}
备注
23 pages, 3 figures, 2 tables