基于滑动掩码法（SMM）与潜在聚类预测（LCF）的非负时间序列预测
机器学习
2021-02-11 v1 统计理论
机器学习
统计理论
摘要
我们考虑非负时间序列预测框架。基于非负矩阵分解（NMF）与原型分析的最新进展，我们引入了两种称为滑动掩码法（SMM）和潜在聚类预测（LCF）的流程。SMM是一种简单而强大的方法，基于使用非负矩阵补全的时间窗口预测。这一新流程结合了低非负秩分解与矩阵补全，其中隐藏值将被预测。LCF分为两阶段：它利用原型分析进行降维和时间序列聚类，然后在聚类后的潜在表示上使用任意黑盒监督预测求解器。我们还首次提供了关于NMF补全型问题解的唯一性与鲁棒性的理论保证。最后，在真实世界与合成数据集上的数值实验证实了这两种方法的预测准确性。
引用
@article{arxiv.2102.05314,
title = {Forecasting Nonnegative Time Series via Sliding Mask Method (SMM) and Latent Clustered Forecast (LCF)},
author = {Yohann de Castro and Luca Mencarelli},
journal= {arXiv preprint arXiv:2102.05314},
year = {2021}
}