含缺失值的高维时间序列预测
机器学习
2016-02-18 v3 机器学习
摘要
从需求预测到气候学等众多应用都需要进行高维时间序列预测。通常，这类应用要求方法既具有高度可扩展性，又能处理存在损坏或缺失值的含噪数据。经典的时间序列方法通常难以同时处理这两个问题。在本文中，我们提出改进矩阵补全方法，该方法此前已成功应用于大规模含噪数据，但由于时间依赖性而无法充分建模高维时间序列。我们提出了一种新颖的时间正则化矩阵分解（TRMF）框架，该框架支持数据驱动的时间依赖性学习，并赋予了我们新的矩阵分解方法以预测能力。TRMF 具有高度通用性，涵盖了多种用于时间序列数据的现有矩阵分解方法。在学习依赖关系的背景下，我们将其与图正则化矩阵分解方法建立了有趣的联系。在真实数据和合成数据上的实验表明，TRMF 在常见时间序列任务中优于几种现有方法。
引用
@article{arxiv.1509.08333,
title = {High-dimensional Time Series Prediction with Missing Values},
author = {Hsiang-Fu Yu and Nikhil Rao and Inderjit S. Dhillon},
journal= {arXiv preprint arXiv:1509.08333},
year = {2016}
}