ONE-NAS：基于在线神经进化的时间序列预测神经架构搜索
机器学习
2022-03-01 v1 神经与进化计算
摘要
时间序列预测（TSF）是数据科学中最重要的任务之一，因为准确的时间序列（TS）预测可驱动并推进金融、交通、医疗与电力系统等广泛领域。然而，机器学习（ML）模型在 TSF 中的实际利用受限，因为预训练模型能够学习并适应不可预测模式的能力，随着更长时间尺度上未见数据的到来而不足。为此，模型必须定期重训练或重新设计，耗费大量人力与计算资源。本文提出基于在线神经进化的神经架构搜索（ONE-NAS）算法，据作者所知，这是首个能够在在线设定下自动设计并训练新循环神经网络（RNNs）的神经网络架构搜索算法。无需任何预训练，ONE-NAS 利用 RNN 种群，依据新的多变量输入数据持续更新网络结构与权重。ONE-NAS 在真实世界大规模多变量风力涡轮机数据以及单变量道琼斯工业平均指数（DJIA）数据集上测试，并被证明优于传统统计时间序列预测方法，包括朴素法、移动平均与指数平滑法，以及 SOTA 在线 ARIMA 策略。
引用
@article{arxiv.2202.13471,
title = {ONE-NAS: An Online NeuroEvolution based Neural Architecture Search for Time Series Forecasting},
author = {Zimeng Lyu and Travis Desell},
journal= {arXiv preprint arXiv:2202.13471},
year = {2022}
}