一种基于高斯过程的用于具有状态切换和异常值的时间序列预测的流式算法
机器学习
2024-06-04 v1 信号处理
机器学习
摘要
在状态切换下对时间序列进行在线预测是文献中广泛研究的问题，已有许多著名的方法。利用高斯过程的非参数灵活性，最近提出的INTEL算法提供了一种专家乘积方法，用于在可能的状态切换（包括异常值的特殊情况）下对时间序列进行在线预测。这是通过自适应地组合多个候选模型来实现的，每个模型在时间t报告其预测分布。然而，INTEL算法使用有限上下文窗口近似预测分布，其计算复杂度随最大滞后量呈三次方增长，若使用精确预测分布则呈四次方增长。我们引入了LINTEL，它使用时间t的精确滤波分布，并具有常数时间更新，使得流式算法的时间复杂度达到最优。我们另外注意到，INTEL的加权机制更适合专家混合方法，并为LINTEL提出了一种基于算术平均的融合策略。我们的实验表明，在合理设置下，所提出的方法比INTEL快五倍以上，且预测质量更优。
引用
@article{arxiv.2406.00570,
title = {A Gaussian Process-based Streaming Algorithm for Prediction of Time Series With Regimes and Outliers},
author = {Daniel Waxman and Petar M. Djurić},
journal= {arXiv preprint arXiv:2406.00570},
year = {2024}
}
备注
8 pages, 4 figures. Accepted to the International Conference on Information Fusion 2024 (FUSION 2024)