用于多维时间序列预测的贝叶斯时间分解

大规模多维时空数据集在监测城市交通和空气质量等许多现实应用中变得无处不在。由于这些时间序列不仅具有大规模和高维特性，而且存在大量缺失数据，对其做出预测已成为一项关键挑战。在本文中，我们提出了一个贝叶斯时间分解（BTF）框架，用于在存在缺失值的情况下对多维时间序列——特别是时空数据——进行建模。通过将低秩矩阵/张量分解与向量自回归（VAR）过程集成到单一概率图模型中，该框架能够刻画大规模时间序列数据中的全局与局部一致性。该图模型使我们能够在不填补那些缺失值的情况下有效地进行概率预测并给出不确定性估计。我们开发了高效的Gibbs采样算法用于模型推断和模型更新以实现实时预测，并在多个真实世界时空数据集上测试所提出的BTF框架，用于缺失数据插补和多步滚动预测任务。数值实验证明了所提出的BTF方法相对于现有最先进方法的优越性。