通过分解自适应提升时间序列预测的可迁移性

凭借有效的模式挖掘与特征表示，基于深度学习的神经预测模型已取得巨大进展。有效学习的前提是收集充足的数据。然而，在时间序列预测中，难以获取足够数据，这限制了神经预测模型的性能。为缓解数据稀缺限制，我们设计了序列分解自适应网络（Sequence Decomposition Adaptation Network, SeDAN），这是一种新颖的迁移架构，通过对齐来自跨域数据集的可迁移知识来提升目标域上的预测性能。重新审视时间序列数据中特征的可迁移性，我们提出隐式对比分解（Implicit Contrastive Decomposition）将原始特征分解为包括季节性与趋势特征在内的分量，这些分量更易于迁移。随后我们为不同域中分解后的特征设计了相应的自适应方法。具体而言，对季节性特征我们进行联合分布自适应，对趋势特征我们设计了最优局部自适应（Optimal Local Adaptation）。我们在五个多元时间序列预测基准数据集上进行了大量实验。结果证明了 SeDAN 的有效性，其能提供更高效且稳定的知识迁移。