执行性时间序列预测
机器学习
2025-06-04 v2 人工智能
摘要
时间序列预测是多个领域中的关键挑战，近年来已取得显著进展。许多现实场景，如公共卫生、经济学和社会应用，涉及反馈回路，其中预测可影响被预测结果，进而改变目标变量的分布。这一现象被称为执行性（performativity），带来了“自我否定”或“自我实现”预测的可能性。尽管跨领域的分类问题中已有广泛研究，但从机器学习视角看，执行性在时间序列预测背景中仍基本未被探索。本文中，我们形式化了执行性时间序列预测（PeTS），以应对在可能出现由执行性引起的分布偏移时准确预测的难题。我们提出一种新方法——特征执行性偏移（FPS），其利用延迟响应概念来预测分布偏移并相应预测目标。我们提供的理论见解表明，FPS有可能降低泛化误差。我们使用多种时间序列模型在COVID-19和交通预测任务上进行了全面实验。结果表明，FPS始终优于传统时间序列预测方法，凸显了其在处理执行性引发挑战方面的有效性。
引用
@article{arxiv.2310.06077,
title = {Performative Time-Series Forecasting},
author = {Zhiyuan Zhao and Haoxin Liu and Alexander Rodriguez and B. Aditya Prakash},
journal= {arXiv preprint arXiv:2310.06077},
year = {2025}
}
备注
12 pages (8 main text, 1 reference, 3 appendix), 5 figures, 4 tables