Verstärkendes Lernen basierte dynamische Modellsammlung zur Zeitreihenprognose

Zeitreihendaten erscheinen in vielen realen Bereichen wie Energie, Verkehr und Kommunikationssystemen. Eine genaue Modellierung und Prognose von Zeitreihendaten kann von erheblicher Bedeutung sein, um die Effizienz dieser Systeme zu verbessern. Ausgedehnte Forschungsanstrengungen wurden für Zeitreihenprobleme unternommen. Verschiedene Arten von Ansätzen, einschließlich sowohl statistischer Methoden als auch maschineller Lernmethoden, wurden untersucht. Unter diesen Methoden hat sich das Ensemble-Lernen als effektiv und robust erwiesen. Es bleibt jedoch eine offene Frage, wie wir Gewichte für die Basis-Modelle im Ensemble bestimmen sollten. Suboptimale Gewichte können verhindern, dass das endgültige Modell sein volles Potenzial erreicht. Um diese Herausforderung zu bewältigen, schlagen wir ein verstärkendes Lernen (RL) basiertes Modellsammlungsrahmenwerk (RLMC) vor, um Modellgewichte in einem Ensemble für Zeitreihenprognoseaufgaben zu bestimmen. Indem wir die Modellauswahl als ein sequentielles Entscheidungsproblem formulieren, lernt RLMC eine deterministische Politik, um dynamische Modellgewichte für nicht-stationäre Zeitreihendaten auszugeben. RLMC nutzt außerdem Deep Learning, um verborgene Merkmale aus rohen Zeitreihendaten zu lernen und sich schnell an die sich ändernde Datenverteilung anzupassen. Um die Wirksamkeit der vorgeschlagenen Methode zu demonstrieren, wurden umfangreiche Experimente an mehreren realen Datensätzen durchgeführt.