利用时间序列数据增强提升全局预测模型的精度
机器学习
2020-08-07 v1 人工智能
机器学习
摘要
跨多个时间序列集训练得到的预测模型，即全局预测模型（GFM），近期在预测竞赛和真实世界应用中展现出有前景的结果，优于许多最先进的单变量预测技术。在大多数情况下，GFM使用深度神经网络实现，特别是循环神经网络（RNN），其需要足够数量的时间序列来估计众多模型参数。然而，许多时间序列数据库仅包含有限数量的时间序列。在本研究中，我们提出一种新颖的、基于数据增强的预测框架，能够在数据较少的设置下提升GFM模型的基线精度。我们使用三种时间序列增强技术：GRATIS、移动块自助法（MBB）和动态时间规整质心平均（DBA）来合成生成时间序列集合。然后从这些增强时间序列中获取的知识通过两种不同方法迁移到原始数据集：合并方法与迁移学习方法。在构建GFM时，合并方法中我们在增强时间序列与原始时间序列数据集上共同训练模型，而迁移学习方法中我们将预训练模型适配到新数据集。在竞赛和真实世界时间序列数据集的评估中，我们提出的变体能够显著提升GFM模型的基线精度，并优于最先进的单变量预测方法。
引用
@article{arxiv.2008.02663,
title = {Improving the Accuracy of Global Forecasting Models using Time Series Data Augmentation},
author = {Kasun Bandara and Hansika Hewamalage and Yuan-Hao Liu and Yanfei Kang and Christoph Bergmeir},
journal= {arXiv preprint arXiv:2008.02663},
year = {2020}
}