用于概率时间序列预测的 MLP 超参数调优
机器学习
2024-03-08 v1
摘要
时间序列预测旨在通过分析过去的趋势和模式来预测未来事件。尽管该领域已被广泛研究，但关于在时间序列预测中使用深度学习的某些关键方面仍不明确。我们的研究主要侧重于检验与时间序列相关的特定超参数（如上下文长度和验证策略）对 SOTA MLP 模型在时间序列预测中性能的影响。我们进行了包含每个数据集 4800 种配置、横跨 20 个时间序列预测数据集的全面系列实验，结果表明了调优这些参数的重要性。此外，在这项工作中，我们引入了迄今为止最大的时间序列预测元数据集，命名为 TSBench，包含 97200 次评估，相比该领域先前的工作增加了二十倍。最后，我们展示了所创建的元数据集在多保真度超参数优化任务上的效用。
引用
@article{arxiv.2403.04477,
title = {Hyperparameter Tuning MLPs for Probabilistic Time Series Forecasting},
author = {Kiran Madhusudhanan and Shayan Jawed and Lars Schmidt-Thieme},
journal= {arXiv preprint arXiv:2403.04477},
year = {2024}
}
备注
14 pages, 5 figures, Accepted at PAKDD24