Meta-learning and Data Augmentation for Stress Testing Forecasting Models

单变量预测模型的有效性常常受到其所面临的压力条件的限制。如果模型呈现出负面行为，例如高于平常的误差或增加的不确定性，那么就认为模型处于压力之下。了解导致预测模型压力的因素对于提高它们的可靠性、透明度和实用性至关重要。本文通过提出一个名为MAST（元学习和数据增强用于压力测试）的新框架来解决这个问题。所提出的方法旨在对单变量时间序列预测模型中的压力进行建模和表征，重点关注它们表现出大误差的情况。具体而言，MAST是一种元学习方法，它基于一组统计时间序列特征预测给定模型在给定时间序列上表现不佳的概率。MAST还包括一种基于过采样的新型数据增强技术，以改善与压力相关的元数据。我们使用包含49,794个时间序列的三个基准数据集进行实验，以验证MAST的性能。结果表明，所提出的方法能够识别导致大误差的条件。该方法和实验已在一个代码库中公开。

本文旨在通过提出一个名为MAST（Meta-learning and data Augmentation for Stress Testing）的新框架来解决单变量时间序列预测模型的应力测试问题，以提高其可靠性、透明度和实用性。

MAST是一种元学习方法，可以预测给定时间序列上的一个给定模型表现不佳的概率，该方法基于一组统计时间序列特征，还包括一种基于过采样的新数据增强技术来改进有关应力的元数据。

本文使用三个基准数据集进行实验，共包含49,794个时间序列，结果表明，MAST能够识别导致大误差的条件。本文的方法和实验是公开可用的。

与此相关的最近研究包括：《Time Series Forecasting with Deep Learning: A Survey》、《A review of univariate time series forecasting methods》等。