利用时序点过程进行长时域预测
机器学习
2021-03-09 v2
摘要
近年来，标记时序点过程（MTPPs）已成为刻画广泛应用中间歇性事件的强大建模工具。MTPPs 在预测事件时间尤其是近期到达事件方面已展现出显著潜力。然而，由于当前的设计选择，MTPPs 在预测遥远未来事件到达时往往表现出较差的预测性能。为改善这一局限，本文设计了 DualTPP，其特别适用于长时域事件预测。DualTPP 有两个组件。第一个组件是一个无强度 MTPP 模型，通过对未来事件时间的建模来捕获事件动态的微观或细粒度信号。第二个组件采用不同的对偶视角，对给定时间窗内事件的聚合计数进行建模，从而封装宏观事件动态。随后我们开发了一种新颖的推断框架，在两个模型上联合求解一系列约束二次优化问题，以高效预测长时域事件。在多种真实数据集上的实验表明，DualTPP 在长时域预测上以显著优势超越现有 MTPP 方法，在实际事件与预测之间的 Wasserstein 距离上实现了近乎一个数量级的降低。
引用
@article{arxiv.2101.02815,
title = {Long Horizon Forecasting With Temporal Point Processes},
author = {Prathamesh Deshpande and Kamlesh Marathe and Abir De and Sunita Sarawagi},
journal= {arXiv preprint arXiv:2101.02815},
year = {2021}
}
备注
9 pages, 4 figures