基于形状与时间准则的深度时间序列预测
机器学习
2022-02-18 v2 人工智能
机器学习
摘要
本文研究呈现突变的非平稳信号的多步时间序列预测问题。当前最先进的深度学习预测方法通常以MSE的变体训练，缺乏在确定性与概率性情形下提供敏锐预测的能力。为应对这些挑战，我们提出在深度模型的训练目标中引入形状与时间准则。我们基于动态时间规整（DTW）与时间失真指数（TDI）的光滑松弛定义了形状与时间相似度及不相似度，从而能够构建可微损失函数与正半定（PSD）核。借助这些工具，我们引入了DILATE（包含形状与时间的失真损失），一种用于确定性预测的新目标，其显式纳入两项以支持精确的形状与时间变化检测。对于概率预测，我们引入STRIPE++（概率预测中的形状与时间多样性），一种提供一组敏锐且多样预测的框架，其中结构化形状与时间多样性由行列式点过程（DPP）多样性损失强制实现。在合成与真实世界数据集上的大量实验与消融研究证实了利用形状与时间特征进行时间序列预测的优势。
引用
@article{arxiv.2104.04610,
title = {Deep Time Series Forecasting with Shape and Temporal Criteria},
author = {Vincent Le Guen and Nicolas Thome},
journal= {arXiv preprint arXiv:2104.04610},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2010.07349