当刚性有害时：概率层次时间序列预测中的软一致性正则化
机器学习
2023-10-20 v4 人工智能
摘要
概率层次时间序列预测是时间序列预测的一个重要变体，其目标是建模并预测具有潜在层次关系的多元时间序列。多数方法聚焦于点预测，并不提供良好校准的概率预测分布。近期最先进的概率预测方法还将层次关系强加于点预测与分布样本上，未考虑预测分布的相干性。先前工作还默认假设数据集始终与给定层次关系一致，而不适应表现出偏离该假设的真实世界数据集。我们弥合了这两方面差距并提出了 PROFHiT，这是一种完全概率的层次预测模型，联合建模整个层次的预测分布。PROFHiT 使用灵活的概率贝叶斯方法，并引入一种新颖的 Distributional Coherency（分布相干性）正则化，从整个预测分布的层次关系中学习，从而实现鲁棒且校准的预测，并适应具有不同层次一致性的数据集。在广泛数据集上评估 PROFHiT 时，我们观测到准确度提升 41-88% 且校准显著更优。由于对整个分布建模相干性，我们观察到即便多达 10% 的输入时间序列数据缺失，PROFHiT 仍能鲁棒提供可靠预测，而其他方法性能严重退化超 70%。
引用
@article{arxiv.2206.07940,
title = {When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting},
author = {Harshavardhan Kamarthi and Lingkai Kong and Alexander Rodríguez and Chao Zhang and B. Aditya Prakash},
journal= {arXiv preprint arXiv:2206.07940},
year = {2023}
}
备注
Accepted at KDD 2023