通过未知分布适应进行非平稳时间序列预测
机器学习
2025-03-11 v4
摘要
随着环境的演变，时间分布偏移会降低时间序列预测的性能。一种直接的解决方案是在适应非平稳变化的同时保持平稳依赖关系。因此，一些方法通过假设均匀的分布偏移来解耦平稳和非平稳成分，但这并不切实际，因为分布何时发生变化是未知的。为了应对这一挑战，我们提出了用于非平稳时间序列预测的未知分布适应（Unknown Distribution Adaptation, UDA）模型，该模型检测分布偏移发生的时间，并解耦平稳/非平稳潜变量，从而能够在不假设均匀分布偏移的情况下适应未知分布。具体而言，在潜环境的隐马尔可夫假设下，我们证明了潜环境是可识别的。随后，我们利用历史信息的变异性进一步解耦平稳/非平稳潜变量。基于这些理论结果，我们提出了一种基于变分自编码器的模型，该模型结合了自回归隐马尔可夫模型来估计潜环境。此外，我们进一步设计了模块化先验网络来解耦平稳/非平稳潜变量。这两个模块实现了自动适应并增强了非平稳预测性能。在多个数据集上的实验结果验证了我们方法的有效性。
引用
@article{arxiv.2402.12767,
title = {Nonstationary Time Series Forecasting via Unknown Distribution Adaptation},
author = {Zijian Li and Ruichu Cai and Zhenhui Yang and Haiqin Huang and Guangyi Chen and Yifan Shen and Zhengming Chen and Xiangchen Song and Kun Zhang},
journal= {arXiv preprint arXiv:2402.12767},
year = {2025}
}