以最小预测损失保护时间序列数据

由于数据保护立法中的匿名化要求，预测可能受到负面影响。为衡量该问题的潜在严重性，我们推导了使用受保护数据的加性指数平滑模型预测损失的理论界。遵循《通用数据保护条例》（GDPR）与《加州消费者隐私法》（CCPA）的匿名化指南，我们开发了 $k$ 近邻时间序列（$k$-nTS）交换与 $k$ 均值时间序列（$k$-mTS）洗牌方法，以创建受保护的时间序列数据，在最小化预测损失的同时防止数据入侵者察觉隐私问题。为高效且有效地决策，我们形式化建模了一个整数规划问题，用于各簇中同时数据交换的完美匹配。我们称之为两方数据隐私框架，因为我们的优化模型包含了数据提供方与数据入侵方的效用。我们将数据保护方法应用于数千条时间序列，发现与立法建议的标准数据保护方法相比，其较好地保持了时间序列的预测值与模式（水平、趋势与季节性）。实质上，本文解决了当时间序列数据用于预测时的保护难题。我们的发现表明，将预测者的关切纳入数据保护本身具有管理上的重要性。