将k近邻应用于时间序列预测:两种新方法
统计方法学
2021-03-29 v1
摘要
k近邻算法是用于分类与回归的著名技术之一。尽管简单,k近邻已成功应用于时间序列预测。然而,邻居数与特征选择是一项艰巨任务。在本文中,我们引入两种称为加权最近邻的经典参数调优与加权最近邻的快速参数调优的时间序列预测方法。第一种方法使用经典参数调优,将最近子序列与过去同长度的所有可能子序列进行比较。第二种方法缩减邻居搜索集,从而显著减小网格规模并因此降低计算时间。为调优模型参数,两种方法均实现了一种受交叉验证启发的加权最近邻方法。我们评估了模型的预测性能与精度。然后,我们将它们与一些经典方法比较,特别是季节性自回归积分滑动平均、Holt-Winters 与指数平滑状态空间模型。分析了美国零售与食品服务销售以及英国牛奶生产的真实数据示例,以展示所提方法的应用与效率。
引用
@article{arxiv.2103.14200,
title = {Applying k-nearest neighbors to time series forecasting : two new approaches},
author = {Samya Tajmouati and Bouazza El Wahbi and Adel Bedoui and Abdallah Abarda and Mohamed Dakkoun},
journal= {arXiv preprint arXiv:2103.14200},
year = {2021}
}