DeepExtrema：一种用于时间序列数据块极大值预测的深度学习方法
机器学习
2022-05-06 v1
摘要
由于极端事件对人类与自然系统影响重大，时间序列中极端值的准确预测至关重要。本文提出 DeepExtrema，一种结合深度神经网络（DNN）与广义极值（GEV）分布以预测时间序列块极大值的新框架。实现此类网络存在挑战，因为即便在 DNN 初始化时，该框架也必须保持 GEV 模型参数间的相互依赖约束。我们描述了应对此挑战的方法，并给出了一种可同时实现块极大值条件均值与分位数预测的架构。在真实与合成数据上开展的广泛实验证明了 DeepExtrema 相对于其他基线方法的优越性。
引用
@article{arxiv.2205.02441,
title = {DeepExtrema: A Deep Learning Approach for Forecasting Block Maxima in Time Series Data},
author = {Asadullah Hill Galib and Andrew McDonald and Tyler Wilson and Lifeng Luo and Pang-Ning Tan},
journal= {arXiv preprint arXiv:2205.02441},
year = {2022}
}
备注
7 pages, 6 figures, accepted to IJCAI'22