Sep, 2023

MemDA：基于记忆的漂移自适应城市时间序列预测

PDF
TL;DR我们提出了一种新的城市时间序列预测模型，通过考虑数据中的周期性，并使用元动态网络根据漂移进行即时调整，以解决概念漂移问题。实验结果表明，我们的设计明显优于现有方法，并可以通过减小它们对分布变化的敏感性来很好地推广到现有的预测模型。
urban time series data forecastingsustainable developmentconcept driftretrainingmeta-dynamic network
发现论文，激发创造
  • 解决在线时间序列预测中的概念漂移问题：检测然后适应

    在线更新时间序列预测模型针对概念漂移通过基于流数据调整预测模型来解决挑战。我们提出了一种新颖的方法 D3A，首先检测概念漂移，然后在检测到漂移后积极调整当前模型以适应漂移的概念，从而快速适应。通过在现有的训练样例中引入高斯噪声的数据增强策略，我们提出了一种最大程度利用历史数据进行模型适应的方法。我们的实证研究跨越六个数据集，证明了 D3A 在提高模型适应能力方面的有效性。与简单的时间卷积网络（TCN）基准相比，D3A 将均方误差（MSE）平均降低了 43.9%。对于最先进的模型，MSE 降低了 33.3%。

    Mar, 2024

  • DA-LSTM: 基于 LSTM 网络的区间负荷预测的动态漂移自适应学习框架

    本研究提出了一种动态漂移自适应长短期记忆模型，可在不需要漂移阈值设置的情况下，提高负载预测模型的性能，通过基于主动和被动适应方法的框架集成几种策略，并在云环境中部署来评估它在实际中的适用性。

    May, 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

  • DDG-DA：用于可预测概念漂移适应的数据分布生成

    本研究提出了一种基于 DDG-DA 的预测建模方法，结合对数据演化的预测和生成的方法，能够有效应对概念漂移，提高预测性能。

    Jan, 2022

  • 利用历史知识适应概念漂移

    这篇论文介绍了一种新的集成学习方法，称为 Diversity and Transfer based Ensemble Learning（DTEL），用于处理概念漂移的增量学习。通过利用保留的历史模型和转移学习，DTEL 可以更有效地处理概念漂移，并通过对 15 个合成数据流和 4 个真实数据流的经验研究证明了其有效性。

    Feb, 2017

  • 智慧城市中的不变时间序列预测

    在智慧城市的变革环境中，将前沿的网络技术与时间序列预测相融合，为城市规划、可持续发展和经济增长提供了重要机遇。深度神经网络的进步显著提高了预测性能，然而，这些模型对于不同于训练数据分布的时间序列数据的泛化能力仍然存在挑战。我们提出了一种在不同城市环境下获得不变表示的解决方案，以取代仅依赖于城市环境之间的偶然相关性以提高模型的泛化能力。通过对合成数据和真实数据进行广泛实验，我们证明了我们的方法在应对变化城市环境的领域转移时优于传统的时间序列预测模型。我们的方法的有效性和鲁棒性可以推广到包括气候模型、城市规划和智慧城市资源管理在内的多个领域。

    May, 2024

  • 关于相关数据概念漂移的一点注记

    概念漂移对机器学习模型产生不准确的影响，并且在流式数据背景下，多数研究假设连续的数据点之间是独立的。本研究发现时序依赖性对采样过程有很大影响，因此需要对现有定义进行重大修改，特别是平稳性的概念不适用于这种设置，而需要探讨替代方案。通过数值实验证明了这些替代形式的概念能够描述可观察的学习行为。

    Dec, 2023

  • EAMDrift: 一种可解释的时间序列自我再训练模型

    本文介绍了一种名为 EAMDrift 的新方法，通过按照各自的性能度量加权每个预测，将多个单独预测器的预测组合起来。结果显示，该方法比个体基线模型表现优异 20％，并实现了与非可解释集成模型可比较的准确度结果，强调机器学习模型中可解释性的重要性。

    May, 2023

  • 通过模型重用处理概念漂移

    研究了如何通过模型重用应对数据流中的概念漂移问题，为每个模型赋予权重，并根据模型性能自适应调整权重，在合成和真实数据集上进行实验验证方法的优越性。

    Sep, 2018

  • 未知时态漂移下的无分布预测推理

    本文提出了一种选择自适应窗口并利用其中的数据构建预测集的策略，通过优化估计的偏差 - 方差平衡来选择窗口，并为该方法提供了明确的覆盖保证，展示了其对潜在时间漂移的适应性。通过对合成和实际数据进行数值实验，验证了其有效性。

    Jun, 2024