EgPDE-Net：构建带外生变量的时间序列预测连续神经网络
机器学习
2023-09-26 v2
摘要
尽管外生变量对时间序列分析的性能提升有重大影响，现有的连续方法很少考虑它们之间的序列间相关性与时间依赖性。多元时间序列的动力学系统可用复杂的未知偏微分方程(PDE)建模，这类方程在诸多科学与工程学科中扮演重要角色。本文中，我们提出一种任意步预测的连续时间模型，以学习多元时间序列中由自注意力与门控循环神经网络参数化的未知 PDE 系统。所提模型，即外生引导偏微分方程网络(Exogenous-guided Partial Differential Equation Network, EgPDE-Net)，考虑了外生变量之间的关系及其对目标序列的影响。重要的是，该模型可化简为带特殊设计正则化引导的正则化常微分方程(ODE)问题，这使得 PDE 问题可解以获得数值解，并能够在任意时间点预测目标序列的多个未来值。大量实验表明，我们所提模型相较强基线具有竞争性精度：平均而言，在任意步预测上，其通过降低 RMSE 的 与 MAE 的 优于最佳基线。
引用
@article{arxiv.2208.01913,
title = {EgPDE-Net: Building Continuous Neural Networks for Time Series Prediction with Exogenous Variables},
author = {Penglei Gao and Xi Yang and Rui Zhang and Ping Guo and John Y. Goulermas and Kaizhu Huang},
journal= {arXiv preprint arXiv:2208.01913},
year = {2023}
}