【IJI】时间序列数据不完全系统连续在线预测的多层次推理策略
可持续性在线预测对未来更高水平的时间序列预测具有重要意义，在设备故障预测和健康管理中具有更高的应用价值。然而，和一步时间序列预测相比，连续在线预测面临许多不确定性，包括误差积累和信息缺乏。为了实现复杂系统中时间序列数据的连续在线预测，本文提出了一种基于多层次转移的连续在线预报策略（OnMultiHorTS），用于时间序列数据连续在线预报任务。该算法旨在利用源域数据为目标预测任务提供更有效的信息。然而，时间序列数据的时变特征往往导致长时间内数据分布的巨大差异，这很难保证数据是相同分布的假设。如何在历史数据和现有数据的基础上构建更有效的源域信息，并将其应用于目标域预测任务，是我们OnMultiHorTS算法的重点之一。此外，与典型的迭代和多步预测方法不同，该算法将不同的预测任务视为不同的视界，它们相互独立，可以探索它们之间的相关性。因此，基于层位之间的相关性，该算法开发了一套多层位连续在线预测方案，可以根据当前观测数据连续预测下一步的时间序列数据。最后，我们在四个常见的时间序列数据集和四个航空发动机传感器数据集上测试了算法的性能。同时，我们测试了训练步长和预测步长对算法性能的影响。实验表明，所提出的OnMultiHorTS算法在复杂系统的时间序列数据预测任务中具有较高的预测精度，体现了较高的工程应用价值。
