Weakly Guided Adaptation for Robust Time Series Forecasting

Weakly Guided Adaptation for Robust Time Series Forecasting VLDB 2024

强大的多变量时间序列预测在许多网络物理和物联网应用中至关重要。现有的可靠预测模型将时间序列分解为涵盖趋势和周期的独立函数。然而，这些独立函数无法捕获多个时间序列之间的相关性，从而降低了预测精度。此外，现有的稳健预测模型将某些突然但正常的变化（例如，由假期引起的变化）视为异常值，因为它们不经常发生，并且具有类似于异常值的数据分布。这加剧了模型偏差并降低了预测准确性。本文旨在捕获多个时间序列和突然但正常变化的相关性，从而提高预测准确性。我们使用弱标签将数据集划分为源域和目标域。然后，我们提出了领域对抗性鲁棒预测器（DARF）。该预测模型基于对抗性域适应，包括两个新模块：Correlated Robust Forecaster （CORF） 和 Domain Critic。具体来说，CORF构成了一个编码器-解码器框架，精通强大的多变量时间序列预测，而Domain Critic则致力于减少数据偏差。大量的实验和讨论表明，DARF能够达到最先进的预测精度

简单总结下论文

一问题：

图1（a）具有独立且相关的异常值。独立异常值是在某个时间点出现在单个时间序列中的异常值，而相关异常值是在一个时间点出现在多个时间序列中的异常值。在实际场景中，样本有限的时间模式，例如，由假期、人类行为或其他可预测但不常见的事件产生，可能类似于异常值; 见图1（b）这种相似性可能导致预测模型将由于常规事件而导致的时间动态误认为是异常值，从而导致模型忽略不常见但重要的时间特征。 

挑战 1：现有的预测方法很难处理具有异常值的多变量时间序列。

挑战 2：区分事件特征和异常值可能具有挑战性。

Weak Labels解释：

弱标签通常与与时间戳相关的语义有关。例如，弱标签可能指示时间戳是否与节假日、高峰时段或体育赛事等事件相关联

二框架图

详细的内容 再添加