从多时间序列中学习:一种用于多样化时间序列预测的深度解耦方法
机器学习
2021-11-10 v1
摘要
时间序列预测在许多应用中都是一个重要问题,例如金融预测与业务优化。现代数据集可包含多个相关时间序列,它们通常由全局(共享)规律与局部(特定)动态共同生成。本文中,我们力求用 DeepDGL 这一将动态解耦为全局与局部时间模式的深度预测模型来解决此类预测问题。DeepDGL 采用编码器—解码器架构,由两个分别学习全局与局部时间模式的编码器和一个进行多步预测的解码器组成。具体而言,为建模复杂的全局模式,引入了向量量化(VQ)模块,使全局特征编码器能在所有时间序列间学习共享码本。为建模多样化且异质的局部模式,提出了一种由对比多 horizon 编码(CMC)增强的自适应参数生成模块,为每个单独时间序列生成局部特征编码器的参数,该模块最大化了序列特定上下文变量与相应时间序列长/短期表示之间的互信息。我们在若干真实世界数据集上的实验表明,DeepDGL 优于现有的 state-of-the-art 模型。
引用
@article{arxiv.2111.04942,
title = {Learning from Multiple Time Series: A Deep Disentangled Approach to Diversified Time Series Forecasting},
author = {Ling Chen and Weiqi Chen and Binqing Wu and Youdong Zhang and Bo Wen and Chenghu Yang},
journal= {arXiv preprint arXiv:2111.04942},
year = {2021}
}