布假设来解决
Posted: Wed Jun 18, 2025 9:24 am
预测作为元学习
图 3 概述了预测作为元学习方法：
我们提出的框架通过局部平稳分非平稳性问题 - 也就是说，尽管长序列是非平稳的，但我们可以假设接近的时间步骤仍然具有相同的模式并遵循相同的分布，并且随时间缓慢变化。
因此，我们可以将长时间序列分成几个片段（称为任务），我们假设这些片段是静止的。
在每个任务中，时间序列再次被分成回顾窗口（历史数据）和预测范围（我们想要预测的值）。
在我们的元学习框架中，我们将回溯窗口视为支持集，将预测范围视为查询集。这意味着我们希望模型能够快速适应回溯窗口中的值，然后再推断整个预测范围。
图 3. DeepTime“预测即元学习”框架概览。给定一个长时间序列数据集（顶部），将其拆分 电话号码收集 为 M 个任务，每个任务均假定为局部平稳的。给定一个任务，回溯窗口（绿点）被视为支持集，模型将对其进行自适应。预测范围（蓝点）被视为查询集，模型将基于该查询集进行评估。深度时间索引模型由最后一层（称为岭回归器，绿色框）和其余部分（蓝色框）组成，蓝框被视为特征提取器。
高效的元学习
我们的深度时间索引模型实例化为一个深度神经网络，它将时间索引值作为输入，并输出该时间索引处的时间序列值。然而，由于深度神经网络模型需要学习大量参数，因此对整个模型进行元学习（需要内外循环）可能会非常缓慢且占用大量内存。为了解决这个问题，我们提出了一个模型架构来缩短训练过程。
图 3 概述了预测作为元学习方法：
我们提出的框架通过局部平稳分非平稳性问题 - 也就是说，尽管长序列是非平稳的，但我们可以假设接近的时间步骤仍然具有相同的模式并遵循相同的分布，并且随时间缓慢变化。
因此，我们可以将长时间序列分成几个片段（称为任务），我们假设这些片段是静止的。
在每个任务中，时间序列再次被分成回顾窗口（历史数据）和预测范围（我们想要预测的值）。
在我们的元学习框架中，我们将回溯窗口视为支持集，将预测范围视为查询集。这意味着我们希望模型能够快速适应回溯窗口中的值，然后再推断整个预测范围。
图 3. DeepTime“预测即元学习”框架概览。给定一个长时间序列数据集（顶部），将其拆分 电话号码收集 为 M 个任务，每个任务均假定为局部平稳的。给定一个任务，回溯窗口（绿点）被视为支持集，模型将对其进行自适应。预测范围（蓝点）被视为查询集，模型将基于该查询集进行评估。深度时间索引模型由最后一层（称为岭回归器，绿色框）和其余部分（蓝色框）组成，蓝框被视为特征提取器。
高效的元学习
我们的深度时间索引模型实例化为一个深度神经网络，它将时间索引值作为输入，并输出该时间索引处的时间序列值。然而，由于深度神经网络模型需要学习大量参数，因此对整个模型进行元学习（需要内外循环）可能会非常缓慢且占用大量内存。为了解决这个问题，我们提出了一个模型架构来缩短训练过程。