面向时间序列预测的域生成学习潜在空间

时间序列预测在许多实际应用中至关重要，但开发能够在未知相关域上实现良好泛化的模型（例如，在新平台/网站上预测网页流量或在新地区估计电子商务需求）仍未得到充分探索。现有的预测模型常常在时间序列数据中的域迁移方面困难，因为时间模式涉及复杂组成部分，如趋势、季节性等。虽然一些先前的工作通过跨域匹配特征分布或使用标签信息解耦域共享特征来解决这一问题，但它们未能揭示潜在时间依赖性的洞见，这些洞察对于识别跨域的常见模式和实现泛化至关重要。我们提出了一个在时间序列预测中进行域生成的框架，通过挖掘支配跨域时间依赖性的潜在因子。我们的方法使用基于分解的架构，引入新的条件 $\beta$-变分自编码器 (VAE)，其中首先将时间序列数据分解为趋势-循环成分和季节性成分，分别通过独立的 $\beta$-VAE 模块进行建模。$\beta$-VAE 旨在捕获控制跨域时间依赖性的解耦潜在因子。我们通过解码器条件化设计来增强域特定信息的学习，并引入域正则化以提高域共享潜在因子和域特定潜在因子的分离。我们提出的方法灵活且可应用于各种时间序列预测模型，实现简单高效的域生成。我们在五个真实世界时间序列数据集上验证了其有效性，涵盖网页流量、电子商务、金融和能源消耗，显示出超过最新方法的改进泛化性能。