RobustTSF：面向含异常值的鲁棒时间序列预测的理论与设计
机器学习
2024-02-06 v1
摘要
时间序列预测是许多实际应用中的一项重要且前沿的任务。然而，大多数时间序列预测技术假设训练数据是干净的且不含异常值。这一假设是不切实际的，因为实际收集的时间序列数据可能会受到污染。如果直接使用含异常值的时间序列进行训练，预测模型的表现将会变差。因此，开发从受污染数据中自动学习鲁棒预测模型的方法至关重要。在本文中，我们首先从统计学上定义了三种类型的异常值，然后从理论和实验上分析了存在这些异常值时的损失鲁棒性和样本鲁棒性。基于我们的分析，我们提出了一种简单高效的算法来学习鲁棒的预测模型。大量实验表明，我们的方法具有高度鲁棒性，并优于所有现有方法。代码可在 https://github.com/haochenglouis/RobustTSF 获取。
引用
@article{arxiv.2402.02032,
title = {RobustTSF: Towards Theory and Design of Robust Time Series Forecasting with Anomalies},
author = {Hao Cheng and Qingsong Wen and Yang Liu and Liang Sun},
journal= {arXiv preprint arXiv:2402.02032},
year = {2024}
}
备注
Accepted by the 12th International Conference on Learning Representations (ICLR 2024)