基于分解、因果与进化多任务优化的时间序列预测自动化机器学习（AutoDCE-TS）研究

　　本文提出一种新型自动化机器学习（AutoML）系统AutoDCE-TS，其融合时间序列分解（EMD）、因果特征选择与多任务进化优化（MEHPO）技术，构建多输入单输出（MISO）预测管道，显著提升多元时间序列预测的精度与可解释性，为临床监测、健康数据分析等生命科学领域提供通用且鲁棒的预测工具。

　　

Highlight

AutoML for multivariate time series forecasting

本节介绍名为“基于分解、因果与进化多任务优化的时间序列预测自动化机器学习（AutoDCE-TS）”的方法。AutoDCE-TS是一个多输入单输出（MISO）系统，采用固定的四层管道结构，自动化实现特征提取与选择、模型选择与生成以及预测阶段。图2展示了AutoDCE-TS的整体结构。

该方法输入包括多元时间序列数据，通过构建子管道分别处理各变量及其经分解产生的分量，形成可解释的预测流程。针对每个变量，系统构建因果特征图并将其作为基于回归树的集成模型输入。AutoDCE-TS利用变量间相似性，通过多任务进化优化策略同步选择各子管道的模型及超参数。

Evaluations

本节提出两项评估以验证AutoDCE-TS方法的有效性：

• 消融研究：评估分解与因果特征选择层对预测精度及变量筛选数量的影响。

• 与多元时间序列预测方法的对比：检验所提自动化预测方法在跨领域数据集中的竞争力。

Conclusion

本研究提出专为时间序列预测设计的创新AutoML方法AutoDCE-TS，其基于多输入单输出（MISO）系统实现多步预测。使用不同维度和应用领域的数据集进行验证。

首项实验表明，引入分解和特征选择步骤显著减少输入变量数量，同时提升AutoDCE-TS预测精度。