MemDA：基于记忆的漂移自适应城市时间序列预测
机器学习
2023-11-27 v1 人工智能
摘要
作为智慧城市的一项基本任务，对可持续发展有重大贡献的城市时间序列数据预测被广泛研究。然而，随着世界环境的剧烈快速变化，数据服从独立同分布的假设被后续的数据分布变化所破坏，即所谓的概念漂移，导致模型在未见数据上的可复现性与可迁移性较弱。为解决该问题，以往方法通常对模型进行重训练，迫使其拟合最新观测数据。但重训练存在模型滞后、资源消耗与模型再次失效的问题，致使漂移问题在真实场景中未能很好解决。本研究针对概念漂移问题提出一种新的城市时间序列预测模型，其通过考虑数据中的周期性对漂移进行编码，并利用元动态网络基于漂移对模型进行即时调整。在真实数据集上的实验表明，我们的设计显著优于最先进的方法，且能通过降低现有预测骨干网络对分布变化的敏感性而很好地泛化至其中。
引用
@article{arxiv.2309.14216,
title = {MemDA: Forecasting Urban Time Series with Memory-based Drift Adaptation},
author = {Zekun Cai and Renhe Jiang and Xinyu Yang and Zhaonan Wang and Diansheng Guo and Hiroki Kobayashi and Xuan Song and Ryosuke Shibasaki},
journal= {arXiv preprint arXiv:2309.14216},
year = {2023}
}
备注
Accepted by CIKM 2023