NetBurst：基于事件的突发、间歇型时间序列预测
网络与互联网体系结构
2025-10-28 v1 机器学习
摘要
广泛使用的基准时间序列预测（如 ETT、Electricity、Taxi 和 Exchange Rate 等）倾向于平滑、季节性序列，而网络遥测时间序列——即在服务、IP 或子网粒度下的流量测量——则呈现高度突发和间歇特性，伴随厚尾突发事件和高度可变的间歇期。这些特性将后者置于超级马丁彭布朗（B.~Mandelbrot）于 20 年前提出的统计范畴之中。然而，对此类时间序列进行现代 AI 架构的预测仍属未被充分探索的领域。我们提出 NetBurst，一种以事件为中心的框架，将预测问题 reformulated 为预测突发事件的发生时间及其规模，采用分位数基查询表（quantile-based codebooks）和双重自回归模型。我们在大规模生产网络遥测时间序列上进行实验，与诸如 Chronos 等强基线方法相比，NetBurst 在服务级时间序列上将 Mean Average Scaled Error（MASE）降低 13--605 倍，同时保持突发特性并生成的嵌入表示在聚类上比 Chronos 整洁 5 倍。我们的工作凸显了现代 AI 从利用马丁彭布朗的开创性研究为突发、间歇及厚尾场景下的预测所能获得的收益，而其在高风险决策中的操作价值尤为重要。
引用
@article{arxiv.2510.22397,
title = {NetBurst: Event-Centric Forecasting of Bursty, Intermittent Time Series},
author = {Satyandra Guthula and Jaber Daneshamooz and Charles Fleming and Ashish Kundu and Walter Willinger and Arpit Gupta},
journal= {arXiv preprint arXiv:2510.22397},
year = {2025}
}