面向时间序列预测的简易对比表示学习
机器学习
2024-11-13 v2
摘要
对比学习方法已展现出为图像或时间序列分类学习有意义表示的出色能力。然而，这些方法对时间序列预测效果较差，因为实例判别的优化不能直接应用于从历史上下文预测未来状态。为应对这些局限，我们提出 SimTS，一种通过在潜空间中学习由过去预测未来来改进时间序列预测的简易表示学习方法。SimTS 仅使用正样本对，不依赖于负样本对或给定时间序列的特定特征。此外，我们通过详细的消融研究展示了当前用于时间序列预测的对比学习框架的缺陷。总体而言，我们的工作表明 SimTS 是时间序列预测中其他对比学习方法的一个有前景的替代方案。
引用
@article{arxiv.2303.18205,
title = {Simple Contrastive Representation Learning for Time Series Forecasting},
author = {Xiaochen Zheng and Xingyu Chen and Manuel Schürch and Amina Mollaysa and Ahmed Allam and Michael Krauthammer},
journal= {arXiv preprint arXiv:2303.18205},
year = {2024}
}
备注
Extended version. A shortened version was accepted by the 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), see https://ieeexplore.ieee.org/document/10446875