时间序列数据上的可解释系统辨识与长期预测
机器学习
2023-03-03 v1 数值分析
系统与控制
系统与控制
数值分析
摘要
在过去的几十年中，受深度学习方法新兴进展的推动，时间序列预测引起了相当大的关注。然而，大多数基于神经网络的方法缺乏可解释性，且未能提取目标物理系统的隐藏机制。为克服这些不足，本研究提出了一种无需任何先验知识的可解释稀疏系统辨识方法。该方法采用傅里叶变换来减少字典矩阵中的无关项，而非像大多数系统辨识方法那样不加区分地使用多项式函数。它给出了可解释的系统表示，并大大降低了计算成本。通过在参数矩阵正则化中采用 范数，可实现系统模型的稀疏描述。此外，使用包括水利数据、全球温度数据和金融数据在内的三个数据集来测试所提方法的性能。尽管对物理背景无任何先验知识，实验结果表明，相较于广泛使用的基线数据驱动方法，我们的方法能够在原始数据存在噪声和不完整的情况下更准确地实现长期预测。本研究可为时间序列预测研究提供一些见解，并表明白盒系统辨识方法可提取易被忽视但固有的周期性特征，并可能在长期预测任务上击败基于神经网络的黑盒方法。
引用
@article{arxiv.2303.01193,
title = {Interpretable System Identification and Long-term Prediction on Time-Series Data},
author = {Xiaoyi Liu and Duxin Chen and Wenjia Wei and Xia Zhu and Wenwu Yu},
journal= {arXiv preprint arXiv:2303.01193},
year = {2023}
}