17 天前
MemDA:基于记忆的漂移自适应城市时间序列预测
Zekun Cai, Renhe Jiang, Xinyu Yang, Zhaonan Wang, Diansheng Guo, Hiroki Kobayashi, Xuan Song, Ryosuke Shibasaki

摘要
面向可持续发展的城市时间序列数据预测是智慧城市建设中的关键任务,受到广泛关注。然而,随着全球环境的剧烈且快速变化,数据服从独立同分布(Independent and Identically Distributed, i.i.d.)的假设逐渐被破坏,导致数据分布发生动态演变,即所谓的“概念漂移”(concept drift),从而严重影响模型在未见数据上的可复现性与可迁移性。为应对该问题,以往方法通常采用重新训练模型的方式,强制模型适应最新观测数据。然而,频繁重训存在明显缺陷:不仅造成模型滞后、消耗大量计算资源,还可能导致模型原有性能的失效,使得在实际场景中概念漂移问题难以得到有效解决。为此,本文提出一种新型城市时间序列预测模型,以有效应对概念漂移问题。该模型通过捕捉数据中的周期性特征来编码概念漂移,并基于元动态网络(meta-dynamic network)实现对模型参数的在线动态调整,从而在不重新训练的前提下实现对分布变化的自适应响应。在真实世界数据集上的实验结果表明,所提方法显著优于现有最先进模型,并能有效兼容现有预测框架,显著降低其对数据分布变化的敏感性,展现出优异的泛化能力与实际应用潜力。