适用于小样本时间序列预测的图半监督学习

0、前言

在多变量输入时间序列预测的应用场景中，虽然存在诸多实际问题，但并非所有情况下都能获取足够多的标注数据来支撑回归模型的训练。俗话说“巧妇难为无米之炊”，受限于数据量的不足，许多回归预测方法因过拟合问题而难以适用，例如广受青睐的深度学习模型LSTM。那么，面对这样的困境，是否只能依赖传统不依赖数据量的方法呢？（并非一味否定常规方法的价值！）或者必须等待数十年后数据充足时才能开展预测？显然这种想法过于悲观。对于小样本学习问题，可以从以下几个方向进行探索：①尝试生成更多数据（这一策略在图像处理领域较为流行），不过我认为这种方法并不适用于所有应用场景；②迁移学习虽具潜力，但并非万能，知识迁移过程面临较大挑战，通常只有在相似场景、相同输入输出空间（分布）的前提下才可能获得一些可借鉴的信息；③半监督学习，在我看来更契合小样本学习的需求；④集成学习通过构建多个基础分类器来提升结果的可靠性，但我认为这更多是锦上添花之举，在数据量本身极为有限的情况下，基础分类器本身也难以有效训练。

本文基于半监督学习的理念，提出了一种适用于小样本时间序列预测任务的图半监督学习方案。与其说这是一种具体的方法论，不如说是一种灵活的框架结构，因为其可以根据实际需求选择不同的算法实现回归预测的目标。

1、应用于小样本时间序列数据预测的图半监督学习方法

1.1 时间序列预测问题