用于时间序列预测集成的两步元学习方法
机器学习
2022-04-18 v2 机器学习
统计方法学
摘要
随着收集的历史数据量不断增加，对时间序列自动预测的商业智能应用需求旺盛。由于没有任何单一的时间序列建模方法能通用于所有类型的动态过程，使用多种方法集成的预测常被视为一种折中方案。我们提出不固定集成多样性与规模，而是利用元学习自适应地预测这些方面。这里的元学习基于390个时间序列特征构建两个独立的随机森林回归模型，对22种单变量预测方法进行排序并推荐集成规模。预测集成随后由排名最佳的方法构成，预测结果通过简单平均或加权平均（权重取倒数排名）汇总。所提方法在M4竞赛的12561条微观经济时间序列（针对不同预测 horizon 扩展至38633条）上进行了测试，元学习在所有数据类型与预测期上的相对预测误差均优于 Theta 与 Comb 基准。加权平均取得了最佳总体结果，其对称平均绝对百分比误差为9.21%，而 Theta 方法为11.05%。
引用
@article{arxiv.2011.10545,
title = {Two-Step Meta-Learning for Time-Series Forecasting Ensemble},
author = {Evaldas Vaiciukynas and Paulius Danenas and Vilius Kontrimas and Rimantas Butleris},
journal= {arXiv preprint arXiv:2011.10545},
year = {2022}
}
备注
Accepted to IEEE Access journal in April 22, 2021