EVARS-GPR：面向季节性数据的事件触发高斯过程回归增强重拟合方法
机器学习
2021-07-07 v1 人工智能
应用统计
机器学习
摘要
时间序列预测是一个具有多样应用的 growing 领域。然而，由于内部或外部影响导致的系统行为随时间变化颇具挑战性。因此，先前学习的预测模型的预测可能不再有用。在本文中，我们提出 EVent-triggered Augmented Refitting of Gaussian Process Regression for Seasonal Data（EVARS-GPR），一种能够处理季节性数据目标变量尺度突然偏移的新型在线算法。为此，EVARS-GPR 将在线变点检测与利用变点前样本数据增强的预测模型重拟合相结合。我们在模拟数据上的实验表明 EVARS-GPR 适用于广泛的输出尺度变化。与计算资源消耗相似的方法相比，EVARS-GPR 在不同真实世界数据集上的 RMSE 平均低 20.8%。此外，我们表明我们的算法相对于采用周期性重拟合策略的所有对比方法，平均运行时间减少为六分之一。总之，我们提出了一种计算高效的面向目标变量尺度变化的季节性时间序列在线预测算法，并在模拟与真实世界数据上展示了其功能。所有代码已在 GitHub 公开：https://github.com/grimmlab/evars-gpr。
引用
@article{arxiv.2107.02463,
title = {EVARS-GPR: EVent-triggered Augmented Refitting of Gaussian Process Regression for Seasonal Data},
author = {Florian Haselbeck and Dominik G. Grimm},
journal= {arXiv preprint arXiv:2107.02463},
year = {2021}
}