Learning Pattern-Specific Experts for Time Series Forecasting Under Patch-level Distribution Shift

时间序列预测旨在基于历史数据来预测未来值，由于其广泛的应用，它已经引起了重视。然而，真实世界中的时间序列通常表现出复杂的非均匀分布，不同的片段具有不同的模式，如季节、运行条件或语义含义，这使得准确预测变得具有挑战性。现有方法通常训练单个模型来捕获所有这些不同的模式，但往往难以应对不同片段之间的模式漂移，可能导致泛化性能差。为了解决这些挑战，我们提出了一种新颖的架构TFPS，它利用模式特定的专家进行更准确和适应性更强的时间序列预测。TFPS采用双域编码器来捕获时间域和频率域特征，从而实现更全面的时间动态理解。然后，它使用子空间聚类来动态识别数据片段之间的不同模式。最后，模式特定的专家对这些独特的模式进行建模，为每个片段提供量身定制的预测。通过明确学习和适应演变的模式，TFPS实现了显著提高的预测精度。在真实世界的数据集上进行的大量实验表明，TFPS通过其动态和模式感知的学习方法，在长期预测方面优于现有的最先进方法。数据和代码可在以下网址找到：\url{https://github.com/syrGitHub/TFPS}。

TFPS论文旨在解决时间序列预测中存在的复杂非均匀分布和不同模式之间的模式漂移问题，提出了一种使用模式特定专家的架构来实现更准确和适应性更强的时间序列预测。

论文提出了一种新的架构TFPS，它使用双域编码器捕捉时间域和频率域特征，并使用子空间聚类动态识别数据补丁之间的不同模式，最后使用模式特定专家模型来提供针对每个补丁的定制预测。

TFPS的实验结果表明，在长期预测方面，它比现有的方法表现更好。论文提供了数据和代码，并强调了动态和模式感知学习方法的重要性。

最近在这个领域中，还有一些相关的研究，例如《A Deep Learning Framework for Time Series Forecasting with Missing Values》和《DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks》等。