面向多元时间序列预测的规模感知神经架构搜索
机器学习
2021-12-15 v1
摘要
多元时间序列（MTS）预测在许多智能应用中备受关注。这并非一项平凡的任务，因为我们需要考虑变量内依赖与变量间依赖。然而，现有工作针对特定场景设计，需要大量领域知识和专家投入，难以在不同场景间迁移。本文提出一种面向MTS预测的规模感知神经架构搜索框架（SNAS4MTF）。多尺度分解模块将原始时间序列转换为多尺度子序列，以保留多尺度时间模式。自适应图学习模块在不同时间尺度下推断不同的变量间依赖，无需任何先验知识。对于MTS预测，设计了一个搜索空间以在每个时间尺度上捕捉变量内依赖与变量间依赖。多尺度分解、自适应图学习和神经架构搜索模块在端到端框架中联合学习。在两个真实世界数据集上的大量实验表明，与最先进的方法相比，SNAS4MTF取得了有前景的性能。
引用
@article{arxiv.2112.07459,
title = {Scale-Aware Neural Architecture Search for Multivariate Time Series Forecasting},
author = {Donghui Chen and Ling Chen and Zongjiang Shang and Youdong Zhang and Bo Wen and Chenghu Yang},
journal= {arXiv preprint arXiv:2112.07459},
year = {2021}
}