用于多变量时间序列预测与死亡率建模的统计与深度学习混合方法
机器学习
2021-12-17 v1 机器学习
摘要
混合方法已被证明在预测任务和量化与这些预测相关的不确定性（预测区间）方面优于纯统计方法和纯深度学习方法。指数平滑循环神经网络（ES-RNN）就是一个例子，它是统计预测模型与循环神经网络变体的混合体。ES-RNN 在 Makridakis-4 预测竞赛中实现了 9.4% 的绝对误差改进。这种改进以及来自其他混合模型的类似优异表现主要仅在单变量数据集上得到证明。将混合预测方法应用于多变量数据的困难包括：() 对不够简洁的模型进行超参数调优所涉及的高计算成本，() 与数据中固有的自相关相关的挑战，以及 () 协变量之间可能难以捕获的复杂依赖关系（互相关）。本文提出了多变量指数平滑长短期记忆网络（MES-LSTM），作为 ES-RNN 的广义多变量扩展，以克服这些挑战。MES-LSTM 采用了向量化实现。我们在多个汇总的 2019 冠状病毒病（COVID-19）发病率数据集上测试了 MES-LSTM，发现我们的混合方法在预测准确性和预测区间构建方面，始终比纯统计方法和深度学习方法有显著改进。
引用
@article{arxiv.2112.08618,
title = {A Statistics and Deep Learning Hybrid Method for Multivariate Time Series Forecasting and Mortality Modeling},
author = {Thabang Mathonsi and Terence L. van Zyl},
journal= {arXiv preprint arXiv:2112.08618},
year = {2021}
}