LSTM-MSNet：利用多季节模式相关时间序列集合的预报
应用统计
2020-04-28 v2 机器学习
神经与进化计算
机器学习
摘要
为具有多个季节周期的时间序列生成预报是当今许多行业的重要用例。在这些情形下，考虑多季节模式对于生成更准确且有意义的预报变得必要。在本文中，我们提出长短期记忆多季节网络（LSTM-MSNet），一种基于分解的统一预测框架，用于预报具有多季节模式的时间序列。该领域当前最先进的方法通常是单变量方法，其中每个时间序列的模型参数被独立估计。因此，这些模型无法包含一组时间序列可能共享的关键模式与结构。相比之下，LSTM-MSNet是一个全局训练的长短期记忆网络（LSTM），在所有可用时间序列上构建单一预测模型，以利用一组相关时间序列中的跨序列知识。此外，我们的方法结合了一系列最先进的多季节分解技术来辅助LSTM学习过程。在我们的实验中，我们能够表明，在来自不同数据源的数据集上（例如流行的M4预测竞赛），分解步骤是有益的；而在来自单一应用的同质序列这一常见现实情境中，外生季节变量或完全不进行季节预处理是更好的选择。所有选择在框架中均已齐备，使我们能够在两种情况下都取得有竞争力的结果，优于许多最先进的多季节预报方法。
引用
@article{arxiv.1909.04293,
title = {LSTM-MSNet: Leveraging Forecasts on Sets of Related Time Series with Multiple Seasonal Patterns},
author = {Kasun Bandara and Christoph Bergmeir and Hansika Hewamalage},
journal= {arXiv preprint arXiv:1909.04293},
year = {2020}
}