用于改进时间序列预测中超参数优化的分层代理建模
机器学习
2023-11-03 v2 人工智能
摘要
选择正确的超参数集在时间序列预测中至关重要。用于超参数优化（HPO）的经典时间交叉验证框架，由于验证期和测试期之间可能存在不匹配，往往导致较差的测试性能。为了解决这种测试-验证不匹配问题，我们提出了一种新技术H-Pro，通过利用通常与时间序列数据集相关的数据层次结构，经由测试代理来驱动HPO。由于与可能稀疏且间歇的最低层级时间序列相比，更高层级的聚合时间序列通常表现出更少的波动性和更好的可预测性，我们通过利用从更高层级预测器生成的测试期代理预测，来优化最低层级基础预测器的超参数。H-Pro可以应用于任何现成的机器学习模型来执行HPO。我们通过在五个公开可用的分层预测数据集上进行广泛的实证评估，验证了我们技术的有效性。我们的方法在Tourism、Wiki和Traffic数据集上优于现有的最先进方法，并在Tourism-L数据集上取得了有竞争力的结果，且无需任何特定于模型的增强。此外，我们的方法优于M5预测准确性竞赛的获胜方法。
引用
@article{arxiv.2211.15092,
title = {Hierarchical Proxy Modeling for Improved HPO in Time Series Forecasting},
author = {Arindam Jati and Vijay Ekambaram and Shaonli Pal and Brian Quanz and Wesley M. Gifford and Pavithra Harsha and Stuart Siegel and Sumanta Mukherjee and Chandra Narayanaswami},
journal= {arXiv preprint arXiv:2211.15092},
year = {2023}
}