OneNet：通过在线集成增强概念漂移下时间序列预测模型
机器学习
2023-09-25 v1 数据结构与算法
摘要
时间序列预测模型的在线更新旨在通过基于流式数据高效更新预测模型来解决概念漂移问题。许多算法被设计用于在线时间序列预测，其中一些利用跨变量依赖，而另一些则假设变量间相互独立。鉴于每种数据假设在在线时间序列建模中都有其优缺点，我们提出了在线集成网络（Oneline ensembling Network，OneNet）。它动态更新并组合两个模型，其中一个侧重于对时间维度上的依赖进行建模，另一个侧重于跨变量依赖。我们的方法将基于强化学习的方法引入传统的在线凸规划框架，从而以动态调整的权重对两个模型进行线性组合。OneNet 解决了经典在线学习方法在适应概念漂移时往往较慢这一主要缺点。实证结果表明，与当前最优（State-Of-The-Art，SOTA）方法相比，OneNet 将在线预测误差降低了超过 。代码可在 \url{https://github.com/yfzhang114/OneNet} 获取。
引用
@article{arxiv.2309.12659,
title = {OneNet: Enhancing Time Series Forecasting Models under Concept Drift by Online Ensembling},
author = {Yi-Fan Zhang and Qingsong Wen and Xue Wang and Weiqi Chen and Liang Sun and Zhang Zhang and Liang Wang and Rong Jin and Tieniu Tan},
journal= {arXiv preprint arXiv:2309.12659},
year = {2023}
}
备注
32 pages, 11 figures, 37th Conference on Neural Information Processing Systems (NeurIPS 2023)