面向时间序列预测的多目标模型选择
机器学习
2022-02-18 v1
摘要
时间序列预测的研究主要集中于开发提升精度的方法。然而，在许多真实应用中，训练时间或延迟等其他准则也至关重要。因此，我们探讨在可用预测方法繁多、且精度仅是众多准则之一的情况下，如何为给定数据集选择合适的预测模型。对此，我们的贡献有两点。首先，我们提出一个综合基准，在 44 个异构的公开可用数据集上评估了 7 种经典与 6 种深度学习预测方法。基准代码与所有方法的评估及预测结果一并开源。这些评估使我们能够回答诸如深度学习模型超越经典模型所需数据量等开放问题。其次，我们利用基准评估来学习兼顾精度与延迟等多目标的良好默认配置。通过学习从预测模型到性能指标的映射，我们表明所提方法 PARETOSELECT 能够准确选择帕累托前沿上的模型——从而免去了为模型选择而训练或评估众多预测模型的需要。据我们所知，PARETOSELECT 是首个在多目标设定下学习默认模型的方法。
引用
@article{arxiv.2202.08485,
title = {Multi-Objective Model Selection for Time Series Forecasting},
author = {Oliver Borchert and David Salinas and Valentin Flunkert and Tim Januschowski and Stephan Günnemann},
journal= {arXiv preprint arXiv:2202.08485},
year = {2022}
}