基于元学习的短时间序列定制化预测

机器学习模型能够根据时间序列数据有效预测动力系统，但通常需要大量历史数据，这使得历史记录有限的系统预测尤为困难。为克服这一问题，我们提出了基于相关时间序列的定制化预测元学习方法（METAFORS），通过跨系统泛化知识来实现数据匮乏场景下的预测。通过从基于潜在相关系统较长训练时间序列训练得到的模型库中学习，METAFORS 构建并初始化一个针对目标系统短时间序列数据定制的模型。利用储备池计算的实现并在模拟混沌系统上进行测试，我们证明 METAFORS 无需上下文标签即可可靠预测短期动力学和长期统计特性。即使在测试系统与相关系统表现出显著不同行为的情况下，这一结果依然成立，凸显了 METAFORS 在数据匮乏场景下的优势。