Mitigating Cold-start Forecasting using Cold Causal Demand Forecasting Model

要約

多変量時系列データの予測には、履歴データを使用して長期にわたる変数の将来の値を予測することが含まれており、実用的な応用が可能です。
深層学習ベースのモデルはこの分野で有望であることが示されていますが、従属変数間の因果関係を捉えることができないことが多く、予測の精度が低くなります。
さらに、これらのモデルは、特定の変数に履歴データがない場合の時系列データのコールド スタート問題を処理できず、変数間の依存関係を特定する際に課題が生じます。
これらの制限に対処するために、コールド スタート問題の影響を受ける多変量時系列データの予測精度を向上させるために、因果推論を深層学習ベースのモデルと統合するコールド因果需要予測 (CDF-cold) フレームワークを導入します。
提案されたアプローチの有効性を検証するために、さまざまな Google データ センターのネットワーク トラフィックを含む 15 個の多変量時系列データセットを収集します。
私たちの実験は、多変量時系列データの将来の値を予測する際に、CDF コールド フレームワークが最先端の予測モデルよりも優れていることを示しています。

要約(オリジナル)

Forecasting multivariate time series data, which involves predicting future values of variables over time using historical data, has significant practical applications. Although deep learning-based models have shown promise in this field, they often fail to capture the causal relationship between dependent variables, leading to less accurate forecasts. Additionally, these models cannot handle the cold-start problem in time series data, where certain variables lack historical data, posing challenges in identifying dependencies among variables. To address these limitations, we introduce the Cold Causal Demand Forecasting (CDF-cold) framework that integrates causal inference with deep learning-based models to enhance the forecasting accuracy of multivariate time series data affected by the cold-start problem. To validate the effectiveness of the proposed approach, we collect 15 multivariate time-series datasets containing the network traffic of different Google data centers. Our experiments demonstrate that the CDF-cold framework outperforms state-of-the-art forecasting models in predicting future values of multivariate time series data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google