干预感知预测：从系统视角突破历史极限
机器学习
2025-05-19 v3 人工智能
计算与语言
摘要
传统时间序列预测方法主要依赖历史数据模式，忽略了显著影响未来动态的外部干预。通过控制理论分析，我们表明隐含的“自刺激”假设限制了这些预测的准确性。为了克服这一限制，我们提出了一个干预感知时间序列预测（IATSF）框架，明确设计用于纳入外部干预。我们特别强调文本干预，因为它们具有独特的能力来表示传统外生变量无法充分捕获的定性或不确定性影响。我们提出了一个无泄漏基准，由跨合成和真实场景的时间同步文本干预数据组成。为了严格评估IATSF，我们开发了FIATS，一个轻量级预测模型，通过通道感知自适应灵敏度建模（CASM）和通道感知参数共享（CAPS）机制整合文本干预，使模型能够以通道特定的方式调整对干预和历史数据的灵敏度。大量实证评估证实FIATS超越了最先进的方法，强调预测改进明确来自对外部干预的建模，而不仅仅是模型复杂性的增加。
引用
@article{arxiv.2405.13522,
title = {Intervention-Aware Forecasting: Breaking Historical Limits from a System Perspective},
author = {Zhijian Xu and Hao Wang and Qiang Xu},
journal= {arXiv preprint arXiv:2405.13522},
year = {2025}
}