18、全球时间序列预测中处理概念漂移的方法

全球时间序列预测中处理概念漂移的方法

1. 引言

在当今众多企业和行业的决策制定与战略规划中，准确的时间序列预测至关重要。预测模型通常基于历史数据进行训练，但在大多数应用场景下，数据分布并非静止不变，而是会随时间发生变化。这会使训练好的模型过时，降低预测准确性，这种现象被称为概念漂移。因此，确保训练好的模型能够在训练数据之外实现良好的泛化，并在数据分布发生变化时仍能提供准确的预测，显得尤为重要。

转移学习可用于增强模型对分布变化的鲁棒性。一般来说，转移学习是解决一个问题，并将获得的相关知识应用于解决另一个相关问题的方法。在时间序列预测领域，转移学习模型通常在大量序列上进行训练，在预测时，可对以下两种情况进行未来预测：一是模型未曾见过的新序列；二是数据分布随时间变化的训练序列。本文主要聚焦于转移学习的第二个子问题，即对用于训练模型的一组序列进行未来预测，且这些序列的数据分布并非静止不变。

传统的预测方法，如指数平滑法（ETS），能够处理常见的非平稳性，如趋势和季节性，并且在其他类型的非平稳性下也具有一定的鲁棒性。ETS 会给最近的观测值赋予更高的权重，因此能较好地适应分布变化。然而，全球预测模型（GFM）近年来在预测领域展现出了巨大潜力，它们在 M4 和 M5 预测竞赛中获胜，相比传统的单变量预测模型，能提供更准确的预测结果。与传统的单变量预测模型为每个序列单独构建模型不同，GFM 会在多个序列上构建一个单一模型，从而使模型能够学习序列间的交叉信息。通过在多个序列上构建单一模型，模型有更多的数据用于训练，并且可以采用更复杂的结构。因此，机器学习方法，如神经网络和梯度提升树，通常是全球建模的首选方法。但与 ETS 等传统预测方法不同，机器学习方法通常缺乏处理底层分布变化的内在机制。因