MemDA：メモリベースのドリフト適応を用いた都市時系列予測

スマートシティの重要な課題として、持続可能な開発に貢献する都市時系列データの予測が広く研究されている。しかし、世界環境の急激かつ急速な変化に伴い、データが独立同一分布（IID）に従うという仮定は、データ分布の変化（いわゆるコンセプト・ドリフト）によって揺らぎ、モデルの再現性および汎化性が低下するという問題が生じている。これに対処するため、従来の手法ではモデルの再訓練により最新の観測データに適合させることが一般的であった。しかしながら、再訓練にはモデルの遅延、リソース消費、および再検証の必要性といった問題があり、現実のシナリオにおいてドリフト問題を十分に解決できないという課題が残っている。本研究では、時系列データの周期性を考慮してドリフトを符号化し、メタダイナミックネットワークを用いてドリフトに基づいてリアルタイムでモデルを調整する新たな都市時系列予測モデルを提案する。実世界のデータセットを用いた実験の結果、本手法は最先端の手法を著しく上回り、既存の予測基盤に対して高い汎化性を示すとともに、分布変化に対する感度を低減することが確認された。