摘要
实际中，有许多任务是相似的，我们可以借鉴已经拥有的经验来帮助完成后面的任务，比如借鉴学习R语言的经验帮助学习Python。迁移学习的目的正是将从以往任务中得到的信息传递到当前的任务中。当进行时间序列预测时，可以使用的信息十分有限，借助动态时间规整算法（DTW算法）寻找与目标数据相似的数据集合进行迁移学习可以提高预测精度。模型平均方法可以充分利用与目标数据相似的数据集所包含的信息。因此，本文将迁移学习和模型平均分别与DTW算法进行结合，提出两种可以提高预测精度的方法:一是利用DTW算法的对齐路径将原始数据集与目标数据进行对齐，再进行简单平均，得到新的数据集。利用新的数据集进行训练得到预训练模型，以此增强迁移的效果，提高预测精度;二是基于DTW距离，通过优化预测值序列和真实值序列之间的滞后性赋予候选模型权重以进行模型平均预测，由此提高预测的精度。最后通过模拟研究和实证分析验证了本文提出的新方法的有效性。
NETL