Domain Adaptation for Industrial Time-series Forecasting via Counterfactual Inference

工业时间序列数据作为反映生产过程信息的结构化数据，可以用于数据驱动的决策，以有效监测工业生产过程。然而，在工业中进行时间序列预测存在一些挑战，例如预测由于数据短缺而导致的小样本问题，以及由于未知处理策略而导致的决策困惑。为了解决这些问题，我们提出了一种新颖的因果域自适应框架，即因果域自适应（CDA）预测器，以提高在有限数据（目标）上感兴趣的领域的性能。首先，我们分析了治疗过程中存在的因果关系，从而确保了随时间共享的因果关系。随后，我们提出了一种基于答案的注意机制，通过两个域中的共享因果关系实现域不变表示。然后，我们建立了一种新颖的域自适应模型，同时在源域和目标域上训练治疗和结果。我们的主要见解是，我们设计的基于答案的注意机制允许目标域利用源时间序列中存在的因果关系，即使有不同的治疗方式，我们的预测器可以预测工业时间序列的反事实结果，即生产过程中的指导。与常见的基线相比，我们在实际和合成油田数据集上的方法证明了跨域预测的有效性和指导生产过程的实用性。

本文旨在解决工业时间序列预测中面临的数据短缺和未知处理策略带来的决策混乱等问题，提出了一种新的因果领域自适应框架，即因果领域自适应（CDA）预测器。

本文的关键思路是分析治疗过程中存在的因果关系，并通过回答式注意机制实现域不变表示，从而建立新的域自适应模型。

本文的亮点在于提出的回答式注意机制可以使目标域利用源时间序列中已有的因果关系，即使存在不同的治疗方式，而且该预测器可以预测工业时间序列的反事实结果，为生产过程提供指导。实验使用了真实世界和合成油田数据集，并证明了方法在跨域预测和指导生产过程方面的有效性和实用性。

在这个领域中，最近的相关研究包括：《基于因果推断的领域自适应方法》、《基于因果推断的时间序列预测方法》等。