24、大规模时间序列预测的元学习方法与实践

大规模时间序列预测的元学习方法与实践

元学习器的类型与特点

在时间序列预测中，元学习器主要分为以下三类：
1. 元选择学习器 ：其目标是根据时间序列的特征，从一组基础预测器中挑选出最佳的预测模型。该学习器的训练属于机器学习中的分类问题。当使用主观选择的特征时，随机森林或梯度提升树通常是作为模型选择学习器的最佳选择；若使用神经网络作为有监督的特征提取器，则应使用带有softmax输出层的神经网络作为元选择学习器，并通过联合损失函数对两个网络进行联合训练。
2. 损失预测学习器 ：旨在预测每个基础预测器的预测误差，其训练是一个回归问题。与元选择学习器类似，随机森林、梯度提升树或深度学习神经网络常被选作损失预测学习器。在元预测阶段，训练好的元学习器会为每个基础预测器生成损失预测，这些损失预测可用于选择最佳基础预测器，或作为权重来形成组合预测。
3. 模型组合学习器 ：根据待预测时间序列的特征，学习一组最优权重，将基础预测器组合起来，为时间序列提供最佳预测。通常，只有像神经网络这样能够生成多变量输出（即权重）的机器学习模型才能用作模型组合学习器。

研究表明，模型组合学习器的预测精度明显高于其他两类。然而，模型选择或组合学习也存在局限性，添加新的预测器或删除现有的预测器都需要对元学习器进行重新训练，这在维护大型元学习库时会带来相当大的困难。相比之下，损失预测学习器具有更大的灵活性，它可以为每个基础预测器分别训练一个元学习器，从而在无需频繁更新元学习器的情况下建立不断增长的元学习库，这对于建立大规模元学习库非常有价值。

Python库“tsfmet