利用冷因果需求预测模型缓解冷启动预测问题
机器学习
2023-06-16 v1
摘要
多元时间序列数据预测是指利用历史数据预测变量随时间的未来值，具有重要的实际应用。尽管基于深度学习的模型在该领域展现出前景，但它们往往无法捕捉因变量之间的因果关系，导致预测精度较低。此外，这些模型无法处理时间序列数据中的冷启动问题，即某些变量缺乏历史数据，这给识别变量间依赖关系带来挑战。为应对这些局限，我们提出了冷因果需求预测（CDF-cold）框架，将因果推断与基于深度学习的模型相集成，以提升受冷启动问题影响的多元时间序列数据的预测精度。为验证所提方法的有效性，我们收集了15个包含不同谷歌数据中心网络流量的多元时间序列数据集。我们的实验表明，CDF-cold框架在预测多元时间序列数据未来值方面优于最先进的预测模型。
引用
@article{arxiv.2306.09261,
title = {Mitigating Cold-start Forecasting using Cold Causal Demand Forecasting Model},
author = {Zahra Fatemi and Minh Huynh and Elena Zheleva and Zamir Syed and Xiaojun Di},
journal= {arXiv preprint arXiv:2306.09261},
year = {2023}
}