当刚性带来损害：面向概率层次时间序列预测的软一致性正则化
机器学习
2023-10-20 v2 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。大多数方法关注点预测，并不能提供校准良好的概率预测分布。近期最先进的概率预测方法还将层次关系强加于点预测和分布样本上，未考虑预测分布的一致性。以往工作还默认数据集始终与给定层次关系一致，而不能适应现实世界中偏离该假设的数据集。我们弥合了上述两方面的差距，提出 PROFHiT——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 采用灵活的概率贝叶斯方法，并引入一种新颖的分布一致性（Distributional Coherency）正则化，从整个预测分布的层次关系中学习，从而实现稳健且校准良好的预测，并适应具有不同层次一致性的数据集。在广泛的数据集上评估 PROFHiT，我们观察到准确率提升 41–88%，且校准显著更优。由于对完整分布的一致性进行建模，我们观察到即便多达 10% 的输入时间序列数据缺失，PROFHiT 仍能稳健地提供可靠预测，而其他方法的性能则严重下降超过 70%。
引用
@article{arxiv.2310.11569,
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:2310.11569},
year = {2023}
}
备注
I have submitted this paper as a revision of arXiv:2206.07940. Apologies for the confusion