基于状态空间模型的长程切换时间序列预测
机器学习
2024-07-30 v1
摘要
本研究深入探讨了结构化状态空间模型（S4）、突变点检测方法论以及切换非线性动力学系统（SNLDS）。我们的核心命题是一种增强的推断技术和长程依赖方法，用于 SNLDS。我们方法的基石是将 S4 与 SNLDS 融合，利用两者优势有效应对切换时间序列中长程依赖的复杂性。通过严格测试，我们展示了所提出的方法能够在 1 维 Lorenz 数据集和 2 维 bouncing ball 数据集中对长程依赖进行分割与再现。值得注意的是，本集成方法在这些任务中优于独立的 SNLDS。
引用
@article{arxiv.2407.19201,
title = {Long Range Switching Time Series Prediction via State Space Model},
author = {Jiaming Zhang and Yang Ding and Yunfeng Gao},
journal= {arXiv preprint arXiv:2407.19201},
year = {2024}
}
备注
14 pages, 14 figures