时间序列预测的全局模型：一项仿真研究
机器学习
2021-03-23 v3 机器学习
摘要
在当前的Big Data背景下，许多预测问题的性质已从预测孤立时间序列转变为预测来自相似来源的多个时间序列。这为契机开发具有竞争力的全局预测模型打开了大门，这些模型可同时从多个时间序列中学习。但是，全局预测模型何时能优于单变量基准模型仍不清楚，尤其是在序列的同质/异质性、序列中模式的复杂度、预测模型的复杂度以及序列的长度/数量等维度上。我们的研究试图通过考察这些因素的作用来解决该问题，方法是仿真若干具有可控时间序列特征的数据库。具体而言，我们仿真从简单数据生成过程(DGP)（如自回归(AR)和季节性AR）到复杂DGP（如混沌逻辑映射、自激励阈值自回归和Mackey-Glass方程）的时间序列。数据异质性通过将多个DGP生成的时间序列混合到单一数据集中引入。数据集中的序列长度和序列数量在不同情景下变化。我们在这些数据集上使用包括循环神经网络(RNN)、前馈神经网络、池化回归(PR)模型和轻量梯度提升模型(LGBM)在内的全局预测模型进行实验，并将它们的性能与标准统计单变量预测技术进行比较。我们的实验表明，当作为全局预测模型训练时，具有复杂非线性建模能力的技术（如RNN和LGBM）在具有挑战性的预测情景（如序列长度短、数据集含异质序列且对序列模式先验知识极少）下总体上是具有竞争力的办法。
引用
@article{arxiv.2012.12485,
title = {Global Models for Time Series Forecasting: A Simulation Study},
author = {Hansika Hewamalage and Christoph Bergmeir and Kasun Bandara},
journal= {arXiv preprint arXiv:2012.12485},
year = {2021}
}