通过“平均”改进异质时间序列预测：以食品需求预测为例
统计方法学
2024-01-31 v3 机器学习
摘要
现实应用中的一个常见预测场景是考虑同一领域内一组可能异质的时间序列。由于每条时间序列在长度等性质上的差异，直接为每条单独的时间序列获取预测具有挑战性。本文提出一个通用框架，利用动态时间规整中的相似性度量以 k 近邻方式寻找相似时间序列构建邻域，并通过平均来改进可能较简单模型的预测。文中给出了若干种执行平均的方式，且理论论证支持了平均对预测的有效性。此外，还提出了诊断工具以深入理解该过程。
引用
@article{arxiv.2306.07119,
title = {Improving Forecasts for Heterogeneous Time Series by "Averaging", with Application to Food Demand Forecast},
author = {Lukas Neubauer and Peter Filzmoser},
journal= {arXiv preprint arXiv:2306.07119},
year = {2024}
}