最近，来自蚂蚁的几位学者在NeurIPS 2021上发表了一种混合微观特征进行宏观时间序列预测的方法。他们提出将“宏观时序变量”拆分为“微观时序变量”，并可以赋予这些微观变量一些专家领域的经验知识。该方法类似于时序分解，不同的是，宏观时序不是由微观时序通过一些加减乘除运算就可以得来，而是需要通过混合建模，将微观时序数据聚类形成聚合时间序列，再利用时序模型预测聚合时间序列，最终汇总得到宏观时序预测结果的方式。该方法被作者命名为MixSeq。

论文地址：

https://arxiv.org/pdf/2110.14354v1.pdf

MixSeq从混合模型的角度首次在理论上验证了时序拆分满足什么样的性质能提升“宏观时序”的精度；并基于卷积Transformer构建了一个端到端的混合模型实现时序聚类，从而对宏观时序做拆分达到优化宏观时序预测的目的。此外，MixSeq的目标是将服从相同神经网络时序模型的数据聚在一起，同组时序数据具有一定的同质性。

该论文所宣布的核心贡献如下：

  1. 作者证明，通过聚类转换原始宏观时间序列，可以优化每个聚类时间序列的预期方差，从而提高宏观时间序列估计的准确性和鲁棒性

  2. 作者提出了 MixSeq，它是一个 end2end 混合模型，用于组合微观时序特征提升宏观时序预测的性能

仿真实验验证了MixSeq能够捕捉混合模型中不同成分的特征，较好地还原仿真数据真实类簇结果；公开数据上的预测实验表明，基于MixSeq的拆分预测可以提升宏观时序预测性能；同时在蚂蚁消费信贷的余额预测场景中，该方法也已经作为推全方案服务于背后的金融决策过程。

内容中包含的图片若涉及版权问题，请及时与我们联系删除