时间序列预测是机器学习 (ML) 重要的研究领域，对于零售、供应链、能源、金融等准确预测至关重要的行业而言更是如此。举例来说，在消费品领域，需求预测的准确率每提高 10-20%，就可以减少 5% 的库存并增加 2-3% 的收入。

目前基于 ML 的预测解决方案通常由专家打造，且需要在模型构建、特征工程和超参数调整等方面投入大量的人力。不过，这类专业知识可能无法大规模应用，这就限制了在时间序列预测挑战中应用 ML 会带来的好处。

为解决这个问题，自动化机器学习 (AutoML) 通过创建 ML 模型过程的自动化实现 ML 的使用范围扩展，并于近期加快了 ML 研究及 ML 在现实问题中的应用。例如，谷歌最初将其应用于神经架构搜索，带来了计算机视觉层面的突破，如NasNet、AmoebaNet 和 EfficientNet，同时还在自然语言处理方面取得了进展，如 Evolved Transformer。最近，研究人员还将其应用在了表格式数据中。

本文将介绍谷歌团队提出的一种针对时间序列预测的端到端可扩展 AutoML 解决方案，它符合以下三个重要标准：

  • 完全自动化：该解决方案将接受的数据作为输入，并生成可使用的 TensorFlow 模型作为输出，整个过程无需人工干预。
  • 通用：该解决方案适用于大多数时间序列预测任务，并会自动为每项任务找寻最佳的模型配置。
  • 高质量：与那些专为特定任务而人工构建的模型相比，该解决方案生成的模型质量更具竞争力。

在参加的M5 预测比赛上证明了这种方法的可行性。与人工构建的模型相比，AutoML 解决方案生成的模型在性能方面更具竞争力，计算成本也适中。感兴趣的可以戳原文。

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