MemDA: Forecasting Urban Time Series with Memory-based Drift Adaptation

要約

持続可能な開発に大きく貢献する都市時系列データ予測は、スマートシティの重要なタスクとして広く研究されています。
しかし、世界環境の劇的かつ急速な変化に伴い、データが独立した同一分布に従うという仮定は、概念ドリフトとして知られるその後のデータ分布の変化によって損なわれ、目に見えないデータに対するモデルの複製可能性と伝達可能性が弱くなります。
この問題に対処するために、従来のアプローチでは通常、モデルを再トレーニングし、最新の観測データに強制的に適合させます。
ただし、再トレーニングにはモデルの遅延、リソースの消費、モデルの再無効化が発生し、現実的なシナリオではドリフト問題が十分に解決されないという点で問題があります。
本研究では、概念ドリフト問題に対する新しい都市時系列予測モデルを提案します。このモデルは、データの周期性を考慮してドリフトをエンコードし、メタダイナミックを使用してドリフトに基づいてモデルをオンザフライで調整します。
通信網。
実世界のデータセットでの実験では、私たちの設計が最先端の手法を大幅に上回っており、分布の変化に対する感度を下げることで既存の予測バックボーンに十分に一般化できることが示されています。

要約(オリジナル)

Urban time series data forecasting featuring significant contributions to sustainable development is widely studied as an essential task of the smart city. However, with the dramatic and rapid changes in the world environment, the assumption that data obey Independent Identically Distribution is undermined by the subsequent changes in data distribution, known as concept drift, leading to weak replicability and transferability of the model over unseen data. To address the issue, previous approaches typically retrain the model, forcing it to fit the most recent observed data. However, retraining is problematic in that it leads to model lag, consumption of resources, and model re-invalidation, causing the drift problem to be not well solved in realistic scenarios. In this study, we propose a new urban time series prediction model for the concept drift problem, which encodes the drift by considering the periodicity in the data and makes on-the-fly adjustments to the model based on the drift using a meta-dynamic network. Experiments on real-world datasets show that our design significantly outperforms state-of-the-art methods and can be well generalized to existing prediction backbones by reducing their sensitivity to distribution changes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google