用于时间序列的深度显式持续时间切换模型
机器学习
2021-10-27 v1
摘要
许多复杂时间序列可以有效细分为具有持续动态的不同状态区间。发现这些状态区间中的切换行为与统计模式，对于理解底层动力系统十分重要。我们提出了循环显式持续时间切换动力系统（RED-SDS），这是一种能够识别状态依赖与时间依赖切换动态的灵活模型。循环状态到切换的连接实现了状态依赖切换，而显式持续时间计数变量用于改善时间依赖切换行为。我们展示了如何使用一种混合算法进行高效推断：该算法通过推断网络近似连续状态的后验，并对离散切换与计数执行精确推断。模型通过最大化边际对数似然的蒙特卡洛下界进行训练，该下界可作为推断过程的副产品被高效计算。在多个数据集上的实证结果表明，RED-SDS 在时间序列分割上取得显著改进，并具备与当前最优方法相竞争的预测性能。
引用
@article{arxiv.2110.13878,
title = {Deep Explicit Duration Switching Models for Time Series},
author = {Abdul Fatir Ansari and Konstantinos Benidis and Richard Kurle and Ali Caner Turkmen and Harold Soh and Alexander J. Smola and Yuyang Wang and Tim Januschowski},
journal= {arXiv preprint arXiv:2110.13878},
year = {2021}
}
备注
Accepted at NeurIPS 2021