$K^2$VAE：一种用于概率时间序列预测的 Koopman-Kalman 增强变分自编码器
机器学习
2025-07-29 v3 人工智能
摘要
概率时间序列预测（PTSF）在经济学、能源和交通等多个领域的决策制定中发挥着至关重要的作用。现有大多数方法擅长短期预测，却忽视了长期概率时间序列预测（LPTSF）的难题。随着预测时间跨度的延长，固有的非线性动力学对预测精度产生显著不利影响，并通过增加每次迭代的成本导致生成模型效率低下。为克服这些局限性，我们提出了 VAE，这是一种高效的基于 VAE 的生成模型，它利用 KoopmanNet 将非线性时间序列转化为线性动力系统，并设计了 KalmanNet 以在此类线性系统中优化预测并建模不确定性，从而减少长期预测中的误差累积。大量实验表明，VAE 在短期和长期 PTSF 中均优于 SOTA 方法，提供了一种更高效且更准确的解决方案。
引用
@article{arxiv.2505.23017,
title = {$K^2$VAE: A Koopman-Kalman Enhanced Variational AutoEncoder for Probabilistic Time Series Forecasting},
author = {Xingjian Wu and Xiangfei Qiu and Hongfan Gao and Jilin Hu and Bin Yang and Chenjuan Guo},
journal= {arXiv preprint arXiv:2505.23017},
year = {2025}
}