在相似序列组上使用循环神经网络跨时间序列数据库进行预测：一种聚类方法
机器学习
2018-09-13 v2 数据库
计量经济学
应用统计
机器学习
摘要
随着大数据的出现，如今在许多应用中，包含大量相似时间序列的数据库已变得可用。在这些领域中使用传统的单变量预测方法对时间序列进行预测，使得产生准确预测的巨大潜力未被挖掘。循环神经网络（RNN），特别是长短期记忆（LSTM）网络，最近已经证明，当在所有可用时间序列上进行训练时，它们能够在此背景下优于最先进的单变量时间序列预测方法。然而，如果时间序列数据库是异构的，准确性可能会退化，因此在迈向该空间中全自动预测方法的道路上，需要在方法中构建时间序列之间相似性的概念。为此，我们提出了一种预测模型，该模型可以在由时间序列聚类技术识别的相似时间序列子组上使用不同类型的 RNN 模型。我们使用广泛流行的 RNN 变体 LSTM 网络来评估我们提出的方法。我们的方法在竞赛评估程序下的基准数据集上取得了有竞争力的结果。特别是，在平均 sMAPE 准确率方面，它始终优于基线 LSTM 模型，并在 CIF 2016 预测竞赛数据集上优于所有其他方法。
引用
@article{arxiv.1710.03222,
title = {Forecasting Across Time Series Databases using Recurrent Neural Networks on Groups of Similar Series: A Clustering Approach},
author = {Kasun Bandara and Christoph Bergmeir and Slawek Smyl},
journal= {arXiv preprint arXiv:1710.03222},
year = {2018}
}