基于特征调整的在线时间序列预测

时间序列预测在诸多领域具有重要重要性，但因分布迁移面临重大挑战。这一问题在在线部署场景中尤为突出，此时数据按顺序到达，模型需不断适应演化中的模式。当前的时间序列在线学习方法主要关注两个方面：选择合适的参数进行更新（如最终层权重或适配器模块）以及设计合适的更新策略（如使用最近批次、回放缓冲区或平均梯度）。我们挑战了传统的参数选择方法，提出分布迁移源于影响数据底层因素的变化。因此，更新这些潜在因素的特征表示可能更为有效。为解决多步预测中延迟反馈的问题（即真实值到达预测预测时间远晚于预测时刻），我们引入 ADAPT-Z（通过 Z 空间持久跟踪实现自动 delta 调整）。ADAPT-Z 利用适配器模块结合当前特征表示与历史梯度信息，实现即使面对延迟亦能进行稳健参数更新。大量实验表明，我们的方法在不采用适应的标准基线模型上持续优于，并在多个数据集上超越了最先进的在线学习方法。