AB Data

如图 3 所示，深度时间指数模型分为两部分，最后一层（岭回归器）和模型的其余部分（特征提取器）。
关键思想是仅在最后一层（岭回归器）应用元学习的内循环自适应步骤，这可计算。
通过这种公式，DeepTime 能够克服非平稳环境下历史值模型中出现的协变量偏移和条件分布偏移问题。DeepTime 首先回避了协变量偏移的问题，因为它将时间索引特征而不是时间序列值作为输入。其次，利用适应局部平稳分布的思想，元学习可以适应每个任务的条件分布，从而解决条件分布偏移的问题。

结果
既然我们已经描述了 DeepTime 的不同组件，以及它如何处理非平稳预测问题，那么让我们看看它在合成数据和真实数据上的一些实验中表现如何。这种基于深度时间索引模型的元学习公式真的能够与现有方法正面交锋吗？它的效率如何？


图 4. DeepTime 对每个函数类别中三个未见函数的预测。橙色虚线表示回溯窗口和预测范 电话号码收集 围之间的分割。

在合成数据上，DeepTime 能够推断出未见过的函数，这些函数包含训练数据中未曾接触过的新模式。如图 4 所示，DeepTime 接受了三类序列的训练——线性模式、三次模式和正弦曲线和。当它面对从未见过的新模式（橙色虚线之前）时，它能够准确地推断出真实模式（橙色虚线之后）！

在涵盖一系列应用领域和不同预测范围的六个真实时间序列数据集中，DeepTime在 24 种设置中的 20 种中实现了最佳性能（基于均方误差指标）！DeepTime 还被证明具有极高的效率，在内存和运行时间成本方面均超越了所有现有基准。

请参阅我们的研究论文，了解有关我们实证结果的更详细解释，其中包括与几个竞争基线进行比较的表格。