基于表示学习的时序预测后期元学习融合
机器学习
2023-03-21 v1
摘要
元学习、决策融合、混合模型与表示学习是时序预测研究中备受关注的研究方向。其中两个特定领域已在预测中展现出最先进（SOTA）结果：混合元学习模型（如指数平滑-循环神经网络（ES-RNN）与神经基展开分析（N-BEATS））以及基于特征的堆叠集成（如基于特征的预测模型平均（FFORMA））。然而，针对模型融合的统一分类体系，以及这些混合与基于特征的堆叠集成方法的实证比较仍然缺失。本研究提出一个涵盖上述主题领域的统一分类体系。此外，本研究实证评估了若干模型融合方法，以及一种称为深度学习预测模型平均（DeFORMA）的混合与特征堆叠算法新组合。该分类体系对所考量方法进行了定位。进一步，实证分析结果表明，所提模型 DeFORMA 在 M4 数据集上可达到最先进结果。DeFORMA 在日度、周度与年度子集上提升了整体加权平均（OWA）均值，并在小时、月度与季度子集上取得具竞争力的结果。该分类体系与实证结果使我们主张，通过持续探索这些研究领域的交叉点，仍有重大进展尚待取得。
引用
@article{arxiv.2303.11000,
title = {Late Meta-learning Fusion Using Representation Learning for Time Series Forecasting},
author = {Terence L. van Zyl},
journal= {arXiv preprint arXiv:2303.11000},
year = {2023}
}