fETSmcs：基于特征的 ETS 模型分量选择
统计方法学
2022-06-28 v1 人工智能
机器学习
摘要
成熟发展的 ETS（指数平滑或误差、趋势、季节性）方法在状态空间表示中纳入了一族指数平滑模型，已广泛用于自动预测。现有 ETS 方法使用信息准则进行模型选择，通过在给定时间序列上拟合的所有模型中选择信息准则最小的最优模型。此种模型选择方案下的 ETS 方法在应用于大规模时间序列数据时面临计算复杂度问题。为解决该问题，我们提出一种高效的 ETS 模型选择方法：在模拟数据上训练分类器，以预测给定时间序列的合适模型分量形式。我们提供了一项模拟研究，以展示所提方法在模拟数据上的模型选择能力。我们在广泛使用的预测竞赛数据集 M4 上，从点预测与预测区间两方面评估了我们的方法。为证明方法的实用价值，我们在月度医院数据集上展示了所提方法带来的性能提升。
引用
@article{arxiv.2206.12882,
title = {fETSmcs: Feature-based ETS model component selection},
author = {Lingzhi Qi and Xixi Li and Qiang Wang and Suling Jia},
journal= {arXiv preprint arXiv:2206.12882},
year = {2022}
}