MemDA: Vorhersage städtischer Zeitreihen mit speicherbasierter Drift-Anpassung

Die Vorhersage städtischer Zeitreihendaten mit signifikanten Beiträgen zur nachhaltigen Entwicklung wird als zentrale Aufgabe der Smart City intensiv erforscht. Doch aufgrund der dramatischen und raschen Veränderungen in der globalen Umwelt wird die Annahme, dass die Daten der unabhängigen und identisch verteilten (i.i.d.) Voraussetzung folgen, durch nachfolgende Veränderungen der Datensverteilung, bekannt als Konzeptdrift, in Frage gestellt. Dies führt zu einer geringen Reproduzierbarkeit und Übertragbarkeit des Modells auf bisher nicht gesehene Daten. Um dieses Problem anzugehen, werden in bisherigen Ansätzen typischerweise die Modelle neu trainiert, um sie an die jüngsten beobachteten Daten anzupassen. Allerdings birgt das Neutrainieren erhebliche Probleme: Es verursacht Modellverzögerung, verbraucht erhebliche Ressourcen und führt zu einer erneuten Invalidation des Modells, sodass das Drift-Problem in realen Szenarien nicht hinreichend gelöst wird. In dieser Studie stellen wir ein neues Modell zur Vorhersage städtischer Zeitreihen vor, das speziell auf das Konzeptdrift-Problem zugeschnitten ist. Dabei wird die Drift durch Berücksichtigung der Periodizität in den Daten kodiert, und die Anpassung des Modells erfolgt dynamisch in Echtzeit mittels eines Meta-Dynamik-Netzwerks basierend auf der erkannten Drift. Experimente an realen Datensätzen zeigen, dass unser Ansatz die derzeit besten Methoden deutlich übertrifft und gut auf bestehende Vorhersage-Backbones generalisiert werden kann, wodurch deren Empfindlichkeit gegenüber Verteilungsänderungen reduziert wird.