间指数和时间序列

[rochona]

使深度时间指数模型能够直接从数据中有效地学习时值之间的关系
克服协变量偏移和条件分布偏移的问题，在非平稳时间序列预测方面表现出色。
DeepTime 的工作原理：深入探究
经典的时间索引方法需要手动指定时间索引特征与输出值之间的关系（例如，随时间线性增加，甚至是周期性重复的模式），而我们利用深度时间索引模型，用深度神经网络取代预先指定的函数。这使得我们可以从数据中学习这些关系，而无需手动指定它们。

然而，如图 2a 所示，这种天真做法会导致预测结果不佳。原因在于深度神经网 电话号码收集 络的表达能力过于强（导致数据过拟合），而基于历史数据的学习并不能保证良好的预测结果。

我们可以通过引入元学习公式来克服这个问题，从而取得更好的结果（如图 2b 所示）。


图 2. 两张图表分别展示了真实值（实际时间序列值）和深度时间指数模型的预测结果。图 (a)：通过简单监督学习训练的深度时间指数模型。图 (b)：使用元学习公式（我们提出的方法）训练的深度时间指数模型。“重建”区域是用于训练的历史数据。两种方法都能高精度地重建真实值。然而，在预测区域，使用简单监督学习训练的模型表现不佳，而使用元学习（我们的 DeepTime 方法）训练的模型则能够成功进行预测。