基于不确定性驱动的双专家校准的在线不规则多变量时间序列预测

不规则多变量时间序列预测在许多实际应用中至关重要，其中时间序列呈不规则采样并呈现动态演化的缺失模式。虽然现有方法在离线环境中表现良好，但在部署在线时常因数据分布动态变化而出现显著性能下降。维持此类动态场景中的预测能力通常需要在线适应技术。由于不规则采样从根本上破坏了时间连续性和周期性，我们无法利用在规则多变量时间序列中广泛研究的这些特征进行在线学习。为此，我们研究了在线不规则多变量时间序列预测问题，提出了 Under-Cali—a一种基于不确定性驱动的双专家校准框架，包含三个核心组件：不确定性估计器、双专家校准模块和自适应路由模块。我们设计一种不确定性估计器，作为核心控制信号，联合管理推理和适应过程。在我们的框架中，不确定性估计器首先对每个输入批次评估不确定性。自适应路由模块随后将高不确定性样本导向不可靠专家进行校准，而低不确定性样本保持在可靠专家处。随后，系统使用经校准的可靠样本更新可靠专家和不确定性估计器，并使用具有挑战性的样本更新不可靠专家，从而实现稳定高效的在线学习。Under-Cali保持源预测模型冻结，仅通过轻量级、模型无关的校准模块进行适应，实现高效适应。大量实验表明，我们的方法在IMTS基准测试上 consistently 取得改进，同时计算成本低。我们的代码已公开于 https://github.com/HaonanWen/Under-Cali。