一种准确且全自动的周度时间序列集成预测模型
机器学习
2023-12-05 v2 人工智能
神经与进化计算
摘要
如今许多企业和行业都需要对周度时间序列进行准确预测。然而，预测文献目前尚未提供专用于此任务、易用、自动、可复现且准确的方法。我们提出该领域的一种预测方法以填补此空白，其利用了最先进的预测技术，如预测组合、元学习（meta-learning）和全局建模。我们考虑不同的元学习架构、算法和基模型池。基于所有考虑的模型变体，我们提出使用带 lasso 回归的堆叠（stacking）方法，以最优方式组合四个基模型的预测：一个全局循环神经网络模型（RNN）、Theta、Trigonometric Box-Cox ARMA Trend Seasonal（TBATS）和 Dynamic Harmonic Regression ARIMA（DHR-ARIMA），因其在七个实验性周度数据集、四项评估指标上展现出整体最佳性能。我们所提方法还以具有统计显著性的可观优势，持续优于一组基准和最先进的周度预测模型。就平均 sMAPE 而言，我们的方法能为 M4 周度数据集生成比所有基准和所有原始竞赛参与者都最准确的预测。
引用
@article{arxiv.2010.08158,
title = {An Accurate and Fully-Automated Ensemble Model for Weekly Time Series Forecasting},
author = {Rakshitha Godahewa and Christoph Bergmeir and Geoffrey I. Webb and Pablo Montero-Manso},
journal= {arXiv preprint arXiv:2010.08158},
year = {2023}
}
备注
1 figure, 9 tables