学习预测先导指标以预测具有未知预测任务簇的时间序列系统
机器学习
2017-10-03 v1
摘要
我们提出了一种预测多个相互关联的时间序列系统的新方法。该方法在学习预测模型的同时，从系统内部发现作为良好预测因子以提高预测准确性的先导指标，以及围绕这些指标的预测任务的簇结构。该方法基于经典的线性向量自回归模型（VAR），并将先导指标的发现与推断 Granger 因果关系的稀疏图联系起来。我们提出了一个新的约束优化问题，以在模型中促进期望的稀疏结构，并以多任务方式在学习任务之间共享信息。我们提出了一种求解该问题的算法，并通过一系列合成数据和真实数据实验，记录了我们的新方法相对于基线 VAR 模型以及现有稀疏 VAR 学习方法的优势。
引用
@article{arxiv.1710.00569,
title = {Learning Predictive Leading Indicators for Forecasting Time Series Systems with Unknown Clusters of Forecast Tasks},
author = {Magda Gregorova and Alexandros Kalousis and Stephane Marchand-Maillet},
journal= {arXiv preprint arXiv:1710.00569},
year = {2017}
}
备注
Accepted for ACML2017; includes appendices