基于元学习和数据增强的预测模型压力测试

单变量预测模型的有效性常受到导致其产生压力的条件的制约。当模型表现出负面行为（如错误率显著升高或不确定性增加）时，即被视为处于压力状态。了解导致预测模型产生压力的因素对于提高其可靠性、透明度和实用性至关重要。本文通过提出一种新型框架MAST（Meta-learning and data Augmentation for Stress Testing），来解决此问题。该方法旨在建模和刻画单变量时间序列预测模型中的压力，尤其聚焦于那些产生大误差的情形。具体而言，MAST是一种元学习方法，能够基于一组统计时间序列特征，预测给定模型在给定时间序列上的表现是否会变差。MAST还包含一种基于抽样过度的数据增强技术，用于改进关于压力的元数据。我们使用包含49.794个时间序列的三个基准数据集进行实验，以验证MAST的性能。结果表明，该方法能够识别导致大误差的条件。该方法和实验已公开于仓库中。