用于时间序列预测的非集体校准策略
机器学习
2025-07-03 v2
摘要
基于深度学习的方法在时间序列预测方面取得了显著进展。尽管这些研究仍在不断发展，但时间序列的复杂动态使得难以确立设计黄金模型架构的经验法则。在本研究中，我们主张通过通用的校准策略来改进现有的先进模型，可以以极少的资源成本带来可观的收益，而不是从头开始精心设计并训练新模型。我们首先在校准过程中识别出多目标学习冲突，该冲突在跨时间步优化变量时产生，导致模型学习能力未被充分利用。为解决这一问题，我们提出了一种名为 Socket+Plug (SoP) 的创新校准策略。该方法在每个 Plug 中为每个预测目标保留独占的优化器和早停监控器，同时保持完全训练的 Socket 主干冻结。SoP 的模型无关特性使其能够直接校准任何已训练的深度预测模型的性能，而不受其特定架构的影响。在各种时间序列基准和时空气象 ERA5 数据集上的大量实验证明了 SoP 的有效性，即使采用简单的 MLP 作为 Plug 也能实现高达 22% 的提升（如图 1 所示）。代码可在 https://github.com/hanyuki23/SoP 获取。
引用
@article{arxiv.2506.03176,
title = {Non-collective Calibrating Strategy for Time Series Forecasting},
author = {Bin Wang and Yongqi Han and Minbo Ma and Tianrui Li and Junbo Zhang and Feng Hong and Yanwei Yu},
journal= {arXiv preprint arXiv:2506.03176},
year = {2025}
}
备注
Accepted by IJCAI 2025