WWW 2023丨时间序列预测（Time Series Prediction）论文汇总

【1】Learning Social Meta-knowledge for Nowcasting Human Mobility in Disaster

论文链接：https://dl.acm.org/doi/abs/10.1145/3543507.3583991

代码链接：https://github.com/YalDan/icc.isvm

研究方向：时间序列预测

一句话总结全文：学习社会元知识，预测灾难中的人员流动，模型可以在国家层面和州层面的灾害情况下实现临近人类流动性预报的卓越性能。

研究内容：人口流动临近预报是智能交通规划、灾害响应与管理等领域的基础性研究问题。尤其是飓风和大流行病等大灾害下的人口流动在很大程度上偏离了日常生活，这使得该任务更具挑战性。现有工作主要集中在正常情况下的交通或人群流量预测。为了解决这个问题，在本研究中，与灾难相关的Twitter数据被纳入协变量，以了解公众对灾难事件的认识和关注，从而了解它们对人类流动性的影响。因此，我们提出了一种元知识可记忆时空网络(MemeSTN)，它利用记忆网络和元学习来融合社交媒体和人类移动数据。对包括日本 2019 年台风季、日本2020年COVID-19大流行和美国2019年飓风季在内的三场现实世界灾难进行了广泛的实验，以说明我们提出的解决方案的有效性。与最先进的时空深度模型和多元时间序列深度模型相比，我们的模型可以在国家层面和州层面的灾害情况下实现临近人类流动性预报的卓越性能。

【2】KAE-Informer: A Knowledge Auto-Embedding Informer for Forecasting Long-Term Workloads of Microservices

论文链接：https://dl.acm.org/doi/abs/10.1145/3543507.3583288

研究方向：时间序列预测

一句话总结全文：一种用于预测微服务长期工作负载的知识自动嵌入Informer，从40个微服务收集的QPS数据集上与最先进的模型相比，达到较优的实验效果。

研究内容：根据量化为每秒查询数(QPS)的吞吐量准确预测工作负载对于微服务弹性调整其资源分配至关重要。然而，长期QPS预测在两个方面具有挑战性：1）具有不同时间模式的各种服务的通用性，2）由多个组件纠缠在一起的复杂QPS序列的特征。在本文中，我们提出了一种知识自动嵌入Informer网络（KAE-Informer），用于预测微服务的长期 QPS 序列。通过分析大量的微服务轨迹，我们发现QPS序列中有两个主要的可分解和可预测的组件，即全局趋势和主导周期性(TP)以及具有长程依赖性的低频残差模式。这两个组成部分对于准确预测长期QPS很重要。首先，KAE-Informer通过数学建模嵌入TP组件的知识。其次，KAE-Informer设计了一个卷积ProbSparse自注意力机制和一个多层事件判别方案，分别提取和嵌入残差成分中隐含的局部上下文感知和事件回归效应的知识。我们基于三个真实数据集进行实验，包括从40个微服务收集的QPS数据集。实验结果表明，与最先进的模型相比，KAE-Informer的MAPE、MAE和RMSE分别降低了约16.6%、17.6%和23.1%。

【3】DeeProphet: Improving HTTP Adaptive Streaming for Low Latency Live Video by Meticulous Bandwidth Prediction

论文链接：https://dl.acm.org/doi/abs/10.1145/3543507.3583364

研究方向：时序预测

一句话总结全文：通过精细的带宽预测改进低延迟实时视频的HTTP自适应流，与现有算法相比，DeeProphet整体QoE提高了17.7%-359.2%，中值带宽预测误差降低至2.7%。

研究内容：HTTP自适应流(HAS)的性能在很大程度上取决于端到端网络带宽的预测。越来越流行的低延迟直播（LLLS）面临更大的挑战，因为它需要准确的短期带宽预测，而VOD流需要长期带宽预测并且对预测误差具有良好的容忍度。部分挑战来自这样一个事实，即短期带宽会经历巨大的突然变化和不确定的波动。此外，由于LLLS的块间和块内发送空闲，很难在LLLS中获得有效的带宽测量样本。在这项工作中，我们提出了DeeProphet，这是一种用于在LLLS中准确预测带宽以提高HAS性能的系统。DeeProphet通过使用细粒度的TCP状态信息收集有效测量样本来识别数据包突发间隔，并结合时间序列模型和基于学习的模型来预测大的变化和不确定的波动，从而克服了上述挑战。实验结果表明，与state-of-the-art LLLS ABR算法相比，DeeProphet整体QoE提高了17.7%-359.2%，中值带宽预测误差降低至2.7%。

【4】Regime-based Implied Stochastic Volatility Model for Crypto Option Pricing

论文链接：https://dl.acm.org/doi/abs/10.1145/3543873.3587621

代码链接：https://github.com/YalDan/icc.isvm

研究方向：时间序列预测

一句话总结全文：基于制度的隐式随机波动性加密期权定价模型，能够根据参与者的期望以自适应方式对市场进行定价，并将该程序应用于涵盖以前未探索的DA动态的新数据集。

研究内容：比特币(BTC)等数字资产(DA)的日益普及提高了对准确期权定价模型的需求。然而，现有方法无法应对新兴DA的易变性。已经提出了许多模型来解决非正统的市场动态以及由DA市场中的非平稳性和特殊统计数据引起的微观结构的频繁中断。然而，它们要么容易出现维数灾难，因为采用传统理论需要额外的复杂性，要么它们会过度拟合可能永远不会重复的历史模式。相反，我们利用隐含随机波动率模型（ISVM)对市场机制(MR)聚类的最新进展，对涵盖流行交易平台Deribit上BTC期权的最新数据集进行分析。时间制度聚类是一种时间聚类方法，它将市场的历史演变聚类到不同的波动期，以解释非平稳性。ISVM可以通过使用隐含波动率(IV)数据将投资者预期纳入每个情绪驱动时期。在本文中，我们将这种集成的时间机制聚类和ISVM方法（称为MR-ISVM）应用于BTC期权的高频数据。我们证明MR-ISVM有助于克服对期权定价模型高阶特征跳跃的复杂适应负担。这使我们能够根据参与者的期望以自适应方式对市场进行定价，并将该程序应用于涵盖以前未探索的DA动态的新数据集。

【5】Forecasting COVID-19 Vaccination Rates using Social Media Data

论文链接：https://dl.acm.org/doi/abs/10.1145/3543873.3587639

研究方向：时间序列预测

一句话总结全文：利用社交媒体数据预测新冠肺炎疫苗接种率，以深入了解每种立场的潜在焦点。

研究内容：COVID-19大流行对国际社会产生了深远影响，疫苗接种已被公认为一项重要的干预措施。为了深入了解公众对COVID-19疫苗的看法，进行了调查研究和对社交媒体平台的分析。然而，现有方法缺乏对个体疫苗接种意图或状态以及公众认知与实际疫苗接种之间关系的考虑。为了解决这些限制，本研究提出了一种文本分类方法来识别表明用户的疫苗接种意图或状态的推文。来自不同类别的推文比例与真实世界疫苗接种数据之间的比较分析显示出显着的一致性，这表明推文可以作为实际疫苗接种状况的先兆。此外，还进行了回归分析和时间序列预测，以探索推文数据的潜力，证明了将推文数据纳入预测未来疫苗接种状态的重要性。最后，将聚类应用于带有正面和负面标签的推文集，以深入了解每种立场的潜在焦点。

【6】GROUP: An End-to-end Multi-step-ahead Workload Prediction Approach Focusing on Workload Group Behavior

论文链接：https://dl.acm.org/doi/abs/10.1145/3543507.3583460

代码链接：https://github.com/YalDan/icc.isvm

研究方向：时间序列预测

一句话总结全文：一种端到端的多步骤工作负载预测方法，专注于工作负载组行为，它为实现云原生应用程序的工作负载预测提供了有效的解决方案。

研究内容：准确预测工作负载可以使Web服务提供商实现对应用程序的主动运行时管理，并确保服务质量和成本效率。对于云原生应用，多个容器协作处理用户请求，使得每个容器的工作负载变化受到工作负载组行为的影响。然而，现有方法主要分析每个容器的个体变化，并没有明确地模拟容器的工作负载组演变，导致次优结果。因此，我们提出了一种工作负载预测方法GROUP，实现了工作负载预测重点从个体到群体、工作负载群体行为表征从数据相似到数据相关、工作负载群体行为从隐式建模到显式建模的转变。首先，我们从多个角度对工作负载组行为及其演变进行建模。其次，我们提出了一种容器相关性计算算法，该算法考虑静态和动态容器信息来表示工作负载组行为。第三，我们提出了一种端到端的多步提前预测方法，该方法明确描绘了工作负载组行为的演变与每个容器的工作负载变化之间的复杂关系。最后，在公共数据集上进行的大量实验显示了GROUP的优势，它为实现云原生应用程序的工作负载预测提供了有效的解决方案。

详细时序预测论文总结请看：WWW 2023丨时间序列（Time Series）论文汇总