变量子集上的多元时间序列预测
机器学习
2022-06-28 v1
摘要
我们在多元时间序列预测(MTSF)领域提出一项新的推断任务,称为变量子集预测(VSF),其中推断期间仅有少量变量可用。推断时变量缺失是由于长期数据丢失(如传感器故障)或训练/测试间高资源到低资源的域偏移。据我们所知,MTSF模型在此类故障下的鲁棒性尚未在文献中被研究。通过广泛评估,我们首先表明最先进方法在VSF设定下的性能显著下降。我们提出一种非参数的包装式技术,可应用于任何现有预测模型之上。通过在4个数据集与5个预测模型上的系统实验,我们表明即使仅有15%的原始变量存在,该技术也能恢复模型近95%的性能。
引用
@article{arxiv.2206.12626,
title = {Multi-Variate Time Series Forecasting on Variable Subsets},
author = {Jatin Chauhan and Aravindan Raghuveer and Rishi Saket and Jay Nandy and Balaraman Ravindran},
journal= {arXiv preprint arXiv:2206.12626},
year = {2022}
}