调整时间序列神经网络中的自相关误差
机器学习
2021-10-12 v4 机器学习
摘要
越来越多的研究聚焦于使用神经网络对时间序列建模。通过最大似然估计训练时间序列神经网络的一个常见假设是各时间步上的误差不相关。然而，由于数据的时序性，误差在许多情况下实际上是自相关的，这使得此类最大似然估计不准确。在本文中，为调整自相关误差，我们提出将自相关系数与模型参数联合学习。在实验中，我们在时间序列预测上验证了方法的有效性。基于一系列最先进模型在广泛真实世界数据集上的结果表明，我们的方法在几乎所有情况下都提升了性能。基于这些结果，我们给出了用于判定自相关误差严重程度的经验临界值。我们还分析了方法的若干方面以展示其优势。最后，我们也考虑了其他时间序列任务，以验证我们的方法并不局限于预测。
引用
@article{arxiv.2101.12578,
title = {Adjusting for Autocorrelated Errors in Neural Networks for Time Series},
author = {Fan-Keng Sun and Christopher I. Lang and Duane S. Boning},
journal= {arXiv preprint arXiv:2101.12578},
year = {2021}
}