Traditional Time Series Prediction (TSP) algorithms assume that the training and testing data follow the same distribution and a large amount of data can be obtained. However, the time-varying nature of time series data is a very difficult problem, which will lead to the inconsistent distribution between new data and old data. In TSP problem scenario, how to transfer knowledge in a relatively long-time span effectively is a serious challenge. To address this issue, in this work, a novel Multi-Source Active Metric Transfer Learning (MS-AMTL) algorithm, integrating Multi-Source Transfer Learning, Active Learning, and Metric Learning paradigms, is designed to make the most of, instead of throw away directly, the long-ago data, with effect, along with its precise mathematic derivation. The setting of multi-source domains can make the dependability of domains and the similarity of sources be fully exerted, reducing the impact of negative transfer. The Active Learning (AL) module in MS-AMTL is designed to select the most representative instances, so that dependability of the domains can be ensured and information redundancy can be reduced. The Metric Learning (ML) module in MS-AMTL is developed to measure the similarity between instances and then the similarity of sources, more effectively. Extensive experiments on one artificial dataset, three real-world datasets and four financial datasets proved the superiority of our proposed algorithm in transfer learning and prediction performance in comparison with several other state-of-the-art algorithms.

传统的时间序列预测（TSP）算法假设训练和测试数据遵循相同的分布，可以获得大量数据。然而，时间序列数据的时变特性是一个非常棘手的问题，会导致新旧数据分布不一致。在 TSP 问题场景中，如何在相对较长的时间跨度内有效地传递知识是一个严峻的挑战。为了解决这个问题，在这项工作中，一种新颖的多源主动度量迁移学习 (MS-AMTL) 算法，集成了多源迁移学习、主动学习和度量学习范式，旨在充分利用而不是直接扔掉很久以前的数据，连同其精确的数学推导。多源域的设置可以充分发挥域的可靠性和源的相似性，减少负迁移的影响。MS-AMTL中的主动学习（AL）模块旨在选择最具代表性的实例，从而确保域的可靠性并减少信息冗余。MS-AMTL 中的度量学习 (ML) 模块被开发用于更有效地测量实例之间的相似性，然后是源的相似性。对一个人工数据集、三个真实数据集和四个金融数据集进行的大量实验证明，与其他几种最先进的算法相比，我们提出的算法在迁移学习和预测性能方面的优越性。减少负转移的影响。MS-AMTL中的主动学习（AL）模块旨在选择最具代表性的实例，从而确保域的可靠性并减少信息冗余。MS-AMTL 中的度量学习 (ML) 模块被开发用于更有效地测量实例之间的相似性，然后是源的相似性。对一个人工数据集、三个真实数据集和四个金融数据集进行的大量实验证明，与其他几种最先进的算法相比，我们提出的算法在迁移学习和预测性能方面的优越性。减少负转移的影响。MS-AMTL中的主动学习（AL）模块旨在选择最具代表性的实例，从而确保域的可靠性并减少信息冗余。MS-AMTL 中的度量学习 (ML) 模块被开发用于更有效地测量实例之间的相似性，然后是源的相似性。对一个人工数据集、三个真实数据集和四个金融数据集进行的大量实验证明，与其他几种最先进的算法相比，我们提出的算法在迁移学习和预测性能方面的优越性。MS-AMTL 中的度量学习 (ML) 模块被开发用于更有效地测量实例之间的相似性，然后是源的相似性。对一个人工数据集、三个真实数据集和四个金融数据集进行的大量实验证明，与其他几种最先进的算法相比，我们提出的算法在迁移学习和预测性能方面的优越性。MS-AMTL 中的度量学习 (ML) 模块被开发用于更有效地测量实例之间的相似性，然后是源的相似性。对一个人工数据集、三个真实数据集和四个金融数据集进行的大量实验证明，与其他几种最先进的算法相比，我们提出的算法在迁移学习和预测性能方面的优越性。