从极坐标表示学习：一种用于长期时间序列预测的极端自适应模型
机器学习
2023-12-19 v2 人工智能
摘要
在 hydrology 领域，时间序列预测对于高效的 water resource management、改善洪水和干旱控制以及提高大众的生活安全与质量至关重要。然而，由于极端事件的存在，预测长期 streamflow 是一项复杂的任务。它需要捕获长程依赖关系并对罕见但重要的极端值进行建模。现有方法通常难以同时应对这两个挑战。在本文中，我们专门深入探讨了这些问题，并提出了距离加权自正则化神经网络，这是一种由极坐标表示学习增强的、用于长期 streamflow 预测的新型极端自适应模型。DAN 利用距离加权多损失机制和可堆叠模块来动态细化来自外生数据的指示序列，同时通过采用高斯混合概率建模来提高对严重事件的鲁棒性，从而能够处理单变量时间序列。我们还引入了 Kruskal-Wallis 采样和门控向量来处理不平衡的极端数据。在四个真实的 hydrologic streamflow 数据集上，我们证明 DAN 显著优于 SOTA 水文时间序列预测方法以及为长期时间序列预测设计的通用方法。
引用
@article{arxiv.2312.08763,
title = {Learning from Polar Representation: An Extreme-Adaptive Model for Long-Term Time Series Forecasting},
author = {Yanhong Li and Jack Xu and David C. Anastasiu},
journal= {arXiv preprint arXiv:2312.08763},
year = {2023}
}