通过多级聚类高效预测大规模层次化时间序列
机器学习
2022-05-30 v1
摘要
我们针对层次聚合时间序列数据的聚类问题提出了一种新方法，该问题虽具有若干商业应用，但一直研究不足。我们首先在每个聚合层级上对时间序列进行分组，同时利用局部与全局信息。所提方法可对具有不同长度与结构的层次化时间序列（HTS）进行聚类。对于常见的两级层次，我们采用结合局部与全局聚类的目标函数，作用于离散概率测度空间，使用 Wasserstein 距离与 Soft-DTW 散度耦合。对于多级层次，我们提出一种自底向上过程，逐步利用低层信息用于高层聚类。我们的最终目标是提升真实世界应用所需大量 HTS 预测的准确性与速度。为实现该目标，每段时间序列首先被赋予其簇代表的预测值，可视为其所代表时间序列集合的“收缩先验（shrinkage prior）”。随后可快速微调该基准预测以适应特定时间序列的细节。我们通过实验表明，我们的方法在涉及大量 HTS 的大规模预测任务中，于速度与准确性方面均显著提升性能。
引用
@article{arxiv.2205.14104,
title = {Efficient Forecasting of Large Scale Hierarchical Time Series via Multilevel Clustering},
author = {Xing Han and Tongzheng Ren and Jing Hu and Joydeep Ghosh and Nhat Ho},
journal= {arXiv preprint arXiv:2205.14104},
year = {2022}
}
备注
17 pages, 3 figures, 4 tables