时间序列预测的多粒度残差学习

论文

传统的时序预测，不管是单步还是多步任务，采用的输入和输出往往都是相同粒度的数据。但是直觉上来说，粗粒度的数据能够提供的语义信息，细粒度中也应该包含；而粗粒度数据中突出的信息，也应该能够用来过滤到细粒度任务下的无关语义。因此对某个预测任务，使用不同粒度的数据应该能够有提升效果。
Hou, Min, Chang Xu, Zhi Li, Yang Liu, Weiqing Liu, Enhong Chen, and Jiang Bian. 2022. “**Multi-Granularity Residual Learning with Confidence Estimation for Time Series Prediction.**” WWW 2022 - Proceedings of the ACM Web Conference 2022, 112–21. https://doi.org/10.1145/3485447.3512056 .

基本描述

• 基本问题：时序数据预测
• 拓展任务：多粒度数据在预测任务中的信息融合
• 难点：不同粒度之间的信息存在冗余；不同的预测目标（粒度）对输入数据粒度的侧重也有差异。
• 创新点or思路：

1. 从粗粒度数据中获取信息作为细粒度数据的先验知识；细粒度数据对粗粒度数据做残差，从而过滤到冗余信息。
2. 设计一个辨别器来判断该粒度数据是否对目标任务有价值

论文细节

问题定义

• 输出：输出很简单，即某个粒度的预测任务
• 输入：输入为多个粒度profile数据。
  $$
  \hat{y} = \mathcal{F}{\Theta}\left(X^{1}, \cdots, X^{M}\right)\
  X^{m}=\left[x{1}^{m}, \cdots, x_{T}^{m}\right] \in \mathbb{R}^{D \times K^{m} \times T}\
  \lambda / K^{m} \rarr granularity\ of\ X^m
  $$
  其中λ是最粗粒度的时间间隔