在稀缺时间序列数据下的剩余有用寿命预测：间接监督下的回归
机器学习
2025-12-18 v1 机器学习
摘要
监督式时间序列预测依赖直接测量的目标变量，但现实场景中的剩余有用寿命（RUL）预测涉及间接监督，即目标变量作为另一个依赖变量的函数进行标记。趋势式时间序列技术依赖顺序时间序列输入来捕获时序模式，在处理稀疏和不规则采样的协变量时需要插值。然而，插值在处理高度稀缺数据时可能引入显著偏差。本文将稀缺数据下的RUL预测问题作为间接监督下的时间序列回归来解决。我们引入一种统一框架，称为参数化静态回归，它以单个数据点为输入进行目标值回归，无需插值即可天然处理稀缺数据。通过参数化校正（PR）过程捕获间接监督下的时序依赖性，推断期间使用历史后验估计近似参数化函数，遵循训练期间用于标记的相同分布。此外，我们提出一种用于间接监督任务的新型批量训练技术，以防止过拟合并提高效率。我们在公开的RUL预测基准上评估了该模型，模拟了数据稀缺情形。该方法在处理高度稀缺时间序列数据时表现出竞争力的预测精度。
引用
@article{arxiv.2504.09206,
title = {Rethinking Remaining Useful Life Prediction with Scarce Time Series Data: Regression under Indirect Supervision},
author = {Jiaxiang Cheng and Yipeng Pang and Guoqiang Hu},
journal= {arXiv preprint arXiv:2504.09206},
year = {2025}
}