用于任意步时间序列预测的可解释张量化神经常微分方程
机器学习
2022-07-13 v1
摘要
我们提出一种称为可解释张量化神经常微分方程 (ETN-ODE) 的连续神经网络架构，用于任意时间点的多步时间序列预测。与现有主要处理单变量时间序列多步预测或多变量时间序列单步预测的方法不同，ETN-ODE 可对多变量时间序列进行任意步预测建模。此外，它具备针对时间注意力和变量注意力的串联注意力，能够针对数据提供可解释的洞察。具体而言，ETN-ODE 将可解释的张量化门控循环单元 (Tensorized GRU 或 TGRU) 与常微分方程 (ODE) 相结合。潜状态的导数由一个神经网络参数化。该连续时间 ODE 网络实现了任意时间点的多步预测。我们在五个不同的多步预测任务和一个任意步预测任务上定量和定性地展示了 ETN-ODE 的有效性与可解释性。大量实验表明，ETN-ODE 能在任意时间点实现准确预测，同时在标准多步时间序列预测中相较基线方法取得最佳性能。
引用
@article{arxiv.2011.13174,
title = {Explainable Tensorized Neural Ordinary Differential Equations forArbitrary-step Time Series Prediction},
author = {Penglei Gao and Xi Yang and Rui Zhang and Kaizhu Huang},
journal= {arXiv preprint arXiv:2011.13174},
year = {2022}
}