面向非平稳时间序列的自适应预测，以提高深度学习性能

Feb, 2022

面向非平稳时间序列的自适应预测，以提高深度学习性能

Self-Adaptive Forecasting for Improved Deep Learning on Non-Stationary Time-Series

Sercan O. Arik, Nathanael C. Yoder, Tomas Pfister

TL;DR本研究提出了一种新方法 Self-Adaptive Forecasting（SAF）来改进时间序列数据的预测，获得更好的泛化能力，通过预测过去数据进行自适应训练以适应非静态时间序列数据的演化分布，可与循环神经网络或基于注意力机制的架构集成。

Abstract

Real-world time-series datasets often violate the assumptions of standard supervised learning for forecasting -- their distributions evolve over time, rendering the conventional training and model selection procedures suboptimal. In this paper, we propose a novel method, self-adaptive forecas

time-series forecasting self-adaptive forecasting non-stationary data backcasting generalization

发现论文，激发创造

端到端自调整自监督时间序列异常检测

通过自动化调整数据增强技术进行时间序列异常检测，以提高无监督模型的性能。

Apr, 2024

T-SaS：面向流数据的移动感知动态适应

在没有任何先兆的情况下，本文旨在解决连续数据建模中突发分布转变的问题。具体而言，我们设计了一个名为 T-SaS 的贝叶斯框架，使用离散分布建模变量捕捉数据的突变。然后，我们设计了一个模型，通过学习判断在完整网络中应该激活哪些神经元来实现与该离散变量的动态网络选择进行自适应。通过一组稀疏网络的重叠，采用动态遮罩策略来支持不同分布之间的互相转移。大量实验证明我们的方法在准确检测分布转变边界以获取不同分布的片段并有效适应下游预测或分类任务方面优越。

Sep, 2023

SaDI: 自适应分解解释性电力负荷极端事件预测框架

本文提出了一种新的用于电力负载预测的框架，名为自适应分解可解释性框架（SaDI），通过集成长期趋势、短期趋势和周期建模来捕捉不同组成部分的时间特征，在极端条件下实现更好的预测，外部变量触发损失则用于解决极端事件下的不平衡学习问题，框架中还采用广义可加模型（GAM）进行理解性分析，并在中部中国电力负载和建筑公共能源计量器上进行实验验证，相对于当前先进算法，该框架的预测效果平均提高了 22.14％。

Jun, 2023

平稳概念漂移下基于非平稳批量数据的模型适应和无监督学习

本文提出了一种迭代式无监督自适应预测模型算法，用于解决由于数据来源非平稳性导致的渐进性概念漂移问题，并在合成数据和真实数据上做了大量数值评估。

Feb, 2020

在线测试时空交通流预测的自适应

本研究介绍了一种用于空间 - 时间交通流预测问题的在线测试时适应技术，提出了自适应双重修正的系列分解（ADCSD）方法，通过两个独立的模块对已训练模型的输出进行季节和趋势周期分解，并在每次观测到数据条目时使用最新观测数据进行修正。该方法在四个真实世界交通流预测数据集上进行了广泛实验，证明了其有效性。

Jan, 2024

预测 MAE：基于掩码自编码器的运动预测的自监督预训练

通过引入 Forecast-MAE，一种专为自我监督学习运动预测任务设计的掩模自编码器框架的扩展，利用标准 Transformer 块以及最小的内在偏差，我们在具有挑战性的 Argoverse 2 运动预测基准测试上进行的实验表明，Forecast-MAE 取得了与依赖于监督学习和复杂设计的最先进方法竞争性的性能，并且明显优于以前的自我监督学习方法。

Aug, 2023

针对非稳态 MDPs 的安全策略改进

为了确保在具有高风险影响的平稳变化的非稳态决策问题上的安全性和高置信度，本文提出了一种方法，该方法通过模型自由强化学习与时间序列分析的综合，将一种称为 Seldonian algorithm 的安全算法扩展。

Oct, 2020

通过注意力共享进行时间序列预测的域自适应

提出了一种新颖的域适应预测框架（Domain Adaptation Forecaster，DAF），该框架利用统计上的优势，从具有大量数据样本的相关领域（源）汲取经验，从而提高目标领域（带有有限数据量的）的性能，实现了对源和目标域的联合培训，并展示了在各种领域上的出色表现。

Feb, 2021

一种面向边缘计算的在线时间序列预测的新型高维计算框架

将非线性低维时间序列数据映射到高维空间进行线性高维预测，以实现快速、高效和轻量级的在线时间序列预测，并使用新颖的联合训练框架适应时间序列分布的变化。TSF-HD 在短期和长期时间序列预测中表现出优越性能，推理延迟较小。

Feb, 2024

使用深度学习预测非平稳销售时间序列

该论文描述了一种深度学习方法，利用时间趋势修正在神经网络模型中预测非平稳时间序列。结果表明，在深度学习模型中加入时间趋势修正块可以显著提高非平稳销售的预测准确性。

May, 2022