面向相关时间序列预测的联合神经架构与超参数搜索

信息物理系统中的传感器常捕获相互关联的过程，从而发出相关时间序列（correlated time series，CTS），对其预测可实现重要应用。成功进行 CTS 预测的关键在于揭示时间序列的时间动态及序列间的空间相关性。基于深度学习的方案在辨识这些方面表现出令人印象深刻的性能。特别地，自动 CTS 预测将最优深度学习架构的设计自动化，使预测精度超越手动方法所取得的成果。然而，自动 CTS 方案仍处于起步阶段，仅能为预定义超参数找到最优架构，且对大规模 CTS 扩展性差。为克服这些局限，我们提出 SEARCH，一种联合的、可扩展的框架，以自动设计有效的 CTS 预测模型。具体而言，我们将每个候选架构及伴随的超参数编码为联合图表示。我们引入高效的架构-超参数比较器（Architecture-Hyperparameter Comparator，AHC）对所有架构-超参数对排序，进而对排名靠前的对进一步评估以选出最终结果。在六个基准数据集上的大量实验表明，SEARCH 不仅消除了人工投入，且性能优于手动设计及现有自动设计的 CTS 模型。此外，它对大规模 CTS 展现出优异的可扩展性。