用于时间序列建模的近期加权时间分段集成方法

过程工业中的时间序列建模面临着处理复杂、多方面且不断演化的数据特征的挑战。传统的单模型方法通常难以捕捉不同动态之间的相互作用，导致预测效果欠佳。为解决这一问题，我们引入了近期加权时间分段集成模型（ReWTS，发音为“roots”），一种用于多步预测的基于数据块的新方法。ReWTS 模型的关键特征有两方面：1）它通过将训练数据分割成数据“块”并为每个块训练一个模型，促进模型在不同动态中的专门化。2）在推理期间，一个优化过程在近期历史上评估每个模型并选择活动模型，以便可以召回先前学习到的动态的适当组合来预测未来。该方法不仅捕捉了每个时期的细微差别，而且与一次性在所有数据上训练的传统“全局”模型相比，能更有效地适应随时间的变化。我们利用挪威一家污水处理厂和一家饮用水处理厂两年的数据进行了比较分析，证明了 ReWTS 集成模型的优越性。在两个数据集上，它在各种模型架构下的均方预测误差均优于全局模型 10-70$\%$，值得注意的是，它对异常值表现出更强的鲁棒性。该方法在为过程工业和其他复杂系统开发用于决策和控制的自动、自适应预测模型方面显示出前景。