Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Многомерные модели временных рядов научились учитывать связи между показателями во время адаптации, не смешивая их исходные ошибки. В препринте Yuanyuan Deng, Mykola Pechenizkiy и Songgaojun Deng, который не проходил рецензирование и содержит замеры самих авторов, метод CoRe снизил среднюю квадратичную ошибку на 10,57% относительно COSA. Для систем с отложенной обратной связью это меняет место, где стоит объединять информацию из нескольких рядов.
Связь между готовыми прогнозами переносит ошибку с одного ряда на другой
При адаптации во время прогноза основная модель остаётся замороженной. Она строит прогноз, а небольшой адаптер добавляет к нему поправку. Когда фактические значения становятся известны, адаптер обновляют по ошибке уже сделанного прогноза.
Обратная связь здесь запаздывает на весь горизонт прогнозирования. Если система предсказывает нагрузку на несколько часов вперёд, она не может сразу проверить результат и исправить параметры. Каждый новый прогноз некоторое время опирается только на прошлые наблюдения.
Связи между показателями можно добавить в двух местах. Первый вариант — смешивать готовые прогнозы основной модели. Например, прогноз температуры влияет на уточнение влажности, а прогноз влажности — на уточнение давления.
Проблема проявляется, когда основная модель ошибается после сдвига распределения. При линейном смешивании любой ненулевой коэффициент между двумя показателями создаёт прямой путь для ошибки: неверный прогноз одного ряда меняет другой ряд ещё до того, как система получила фактические значения.
CoRe оставляет прогноз основной модели без изменений и связывает только поправки адаптера. Ошибка всё ещё может косвенно повлиять на поправку, поскольку адаптер видит исходный прогноз. Однако оператор, который объединяет показатели, больше не переносит исходные ошибки напрямую. Это структурное свойство, а не гарантия более высокой точности при любых данных.
Общий якорь собирает поправки, а спектральный затвор регулирует их вклад
Первый компонент CoRe называется SCR. Он усредняет поправки по всем показателям и получает общий якорь — оценку того, как модель в целом должна отреагировать на текущий сдвиг данных.
Для каждого показателя SCR объединяет его собственную поправку с общим якорем. Затем пара проходит через узкий двухслойный модуль с весами, общими для всех рядов. Такая схема сохраняет индивидуальную поправку и добавляет к ней общую структуру, не вводя плотное смешивание по всему горизонту.
Одного общего якоря недостаточно: связь между показателями может меняться вместе с режимом временного ряда. Поэтому второй компонент анализирует частотный состав текущего входного окна. Он вычитает среднее значение, применяет FFT и описывает распределение энергии через спектральную энтропию и доли низких, средних и высоких частот.
Из этого описания CoRe рассчитывает отдельный затвор для каждого показателя. Затвор может усилить, ослабить или обратить добавку SCR. Ему не нужна история ошибок или внутренние состояния модели: текущего входного окна достаточно уже для первого пакета данных.
Основная модель, базовый адаптер и порядок получения фактических значений при этом не меняются. Параметры адаптера и CoRe обновляются совместно только по тем прогнозам, для которых уже пришла разметка, поэтому будущие значения не попадают в обучение раньше времени.
Для внедрения важнее место связи, чем замена прогнозной модели
Основные эксперименты охватили семь прогнозных моделей, шесть наборов данных и четыре горизонта. Авторы использовали одинаковые замороженные контрольные точки и отложенную разметку для всех методов. Отдельные проверки на Electricity и Traffic показали, как схема работает с большим числом показателей.
Контролируемый опыт оставлял одинаковый узкий модуль и менял только место взаимодействия. Вариант, который связывал поправки, получил меньшую среднюю квадратичную ошибку, чем вариант со смешиванием готовых прогнозов. Значит, результат нельзя объяснить только дополнительными параметрами.
Основную часть выигрыша дал SCR. Вместе со спектральным затвором CoRe улучшил результат COSA на 9,7%, а с постоянным затвором — на 9,2%. Частотный анализ добавил небольшую прибавку; ключевым решением осталось взаимодействие в пространстве поправок.
Работа меняет архитектурный план для команд, которые уже используют поточную адаптацию многомерных прогнозов. Вместо замены основной модели можно добавить небольшой модуль поверх существующего адаптера и связывать только предлагаемые им исправления. Это особенно соответствует системам, где фактические значения приходят после горизонта прогноза и ошибку нельзя устранить сразу.
Вывод относится к поточному прогнозированию со сдвигом распределения, замороженной основной моделью и доступной позже разметкой. Для систем без последующего обновления адаптера эта работа не устанавливает преимущества CoRe: её механизм опирается на регулярное получение фактических значений.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
