基于联合张量 Tucker 分解的高维时间序列高效在线预测
最优化与控制
2024-08-14 v2
摘要
实时预测在各种控制系统中发挥着至关重要的作用，例如交通拥堵控制和无线信道资源分配。在这些场景中，预测器通常需要持续且快速地跟踪现代高维流式时间序列中潜在统计模式的演变，这给传统预测方法带来了新的挑战。本文首次提出了一种基于张量分解的新型在线算法（TOPA）来预测流式张量时间序列。所提出的算法 TOPA 以低复杂度的在线方式更新预测器，以适应随时间演变的数据。此外，还提出了该算法的自动自适应版本（TOPA-AAW），以减轻陈旧数据的负面影响。仿真结果表明，我们提出的方法实现了与传统离线张量预测方法相似的预测精度，同时在长期在线预测过程中比它们快得多。因此，TOPA-AAW 是一种用于流式张量时间序列在线预测的有效且高效的求解方法。
引用
@article{arxiv.2403.18320,
title = {Efficient Online Prediction for High-Dimensional Time Series via Joint Tensor Tucker Decomposition},
author = {Zhenting Luan and Defeng Sun and Haoning Wang and Liping Zhang},
journal= {arXiv preprint arXiv:2403.18320},
year = {2024}
}