时间序列季节性剖面长期与冷启动预测的统一框架
机器学习
2018-08-28 v2 机器学习
摘要
提供长期预测是时间序列建模中的一项根本性挑战，而当时间序列此前从未被观测过时，必须形成此类预测的挑战则使其更加复杂。后一挑战是推荐系统中冷启动问题的时间序列版本，据我们所知，此前的工作尚未涉及这一问题。类似的问题出现在仅观测少量时间点后就需要进行长期预测时——即热启动预测。基于这些目标，我们聚焦于在三种情形下预测时间尺度约为一年量级的季节性剖面（或基线需求）：具有多个先前观测到的季节性剖面的长期情形、没有先前观测到的季节性剖面的冷启动情形，以及仅有一个部分观测到的剖面的热启动情形。基于先前观测进行迭代逐步预测的经典时间序列方法难以提供准确的长期预测；在观测数据极少甚至没有的情况下，此类方法根本不适用。取而代之，我们提出了一个简洁的框架，该框架在一个精心构造的数据矩阵上结合了高维回归与矩阵分解的思想。我们方法及其性能的关键在于利用：（1）固定时间段内以及跨序列的重复模式，以及（2）与各个序列相关联的元数据；若没有这些额外数据，冷启动/热启动问题几乎无法解决。我们证明，该框架能够在多个大规模数据集上准确预测一系列季节性剖面。
引用
@article{arxiv.1710.08473,
title = {A Unified Framework for Long Range and Cold Start Forecasting of Seasonal Profiles in Time Series},
author = {Christopher Xie and Alex Tank and Alec Greaves-Tunnell and Emily Fox},
journal= {arXiv preprint arXiv:1710.08473},
year = {2018}
}