用于多变量短时序预测的块汉克尔张量ARIMA方法
机器学习
2020-02-28 v1 信号处理
机器学习
摘要
本文提出了一种用于多变量时间序列预测的新方法。首先，采用多向延迟嵌入变换（MDT）将时间序列表示为低秩块汉克尔张量（BHT）。然后，通过Tucker分解将高阶张量投影到压缩核心张量。同时，在连续核心张量上显式使用广义张量自回归积分滑动平均（ARIMA）来预测未来样本。以此方式，所提方法策略性地将MDT张量化（以利用互相关性）与张量ARIMA结合低秩Tucker分解的独特优势整合到一个统一框架中。该框架利用嵌入空间中块汉克尔张量的低秩结构，并捕捉多个时间序列（TS）之间的内在相关性，从而可改善预测结果，尤其是对于多变量短时序。在三个公共数据集和两个工业数据集上进行的实验验证，与最先进（SOTA）方法相比，所提BHT-ARIMA有效提高了预测精度并降低了计算成本。
引用
@article{arxiv.2002.12135,
title = {Block Hankel Tensor ARIMA for Multiple Short Time Series Forecasting},
author = {Qiquan Shi and Jiaming Yin and Jiajun Cai and Andrzej Cichocki and Tatsuya Yokota and Lei Chen and Mingxuan Yuan and Jia Zeng},
journal= {arXiv preprint arXiv:2002.12135},
year = {2020}
}
备注
Accepted by AAAI 2020