Снижение эффектов холодного старта в прогнозировании с помощью модели Cold Causal Demand Forecasting

Прогнозирование многомерных временных рядов, предполагающее предсказание будущих значений переменных во времени на основе исторических данных, имеет существенные практические приложения. Хотя модели на основе глубокого обучения демонстрируют перспективность в этой области, они часто не улавливают причинно-следственные связи между зависимыми переменными, что приводит к снижению точности прогнозов. Кроме того, такие модели не справляются с проблемой холодного старта во временных рядах, когда у некоторых переменных отсутствуют исторические данные и затруднено выявление зависимостей между переменными. Для преодоления этих ограничений мы предлагаем фреймворк Cold Causal Demand Forecasting (CDF-cold), который интегрирует причинно-следственный вывод с моделями глубокого обучения для повышения точности прогнозирования многомерных временных рядов, затронутых проблемой холодного старта. Для проверки эффективности предлагаемого подхода мы собрали 15 наборов многомерных временных рядов, содержащих сетевой трафик различных дата-центров Google. Наши эксперименты показывают, что фреймворк CDF-cold превосходит современные передовые модели прогнозирования при предсказании будущих значений многомерных временных рядов.