精确恢复是必要的吗？一种面向变量子集时间序列预测的任务导向插补方法
机器学习
2024-11-18 v1
摘要
变量子集预测（VSF）指的是多变量时间序列预测中的一种独特场景，其中推理阶段可用的变量仅为训练阶段变量的一个子集。VSF 带来了重大挑战，因为整个时间序列可能缺失，且变量间和变量内的相关性都不复存在。这种情况阻碍了传统插补方法的有效性，这些方法主要侧重于填补单个缺失数据点。受特征工程中并非所有变量都对预测有积极贡献这一原则的启发，我们提出了面向 VSF 的任务导向插补（TOI-VSF），这是一个新颖的框架，将焦点从精确的数据恢复转移到直接支持下游预测任务。TOI-VSF 包含一个与预测模型无关的自监督插补模块，旨在填补缺失变量，同时保留时间序列数据的关键特征和时间模式。此外，我们实施了插补和预测的联合学习策略，确保插补过程与预测目标直接对齐并对其有益。在四个数据集上的大量实验证明了 TOI-VSF 的优越性，平均性能优于基线方法 。
引用
@article{arxiv.2411.09928,
title = {Is Precise Recovery Necessary? A Task-Oriented Imputation Approach for Time Series Forecasting on Variable Subset},
author = {Qi Hao and Runchang Liang and Yue Gao and Hao Dong and Wei Fan and Lu Jiang and Pengyang Wang},
journal= {arXiv preprint arXiv:2411.09928},
year = {2024}
}