时间序列的多任务学习及其在出行需求中的应用
机器学习
2017-12-25 v1 人工智能
摘要
我们在智能交通系统的背景下解决一组时间事件的建模与预测问题。为利用不同事件共享的信息,我们提出了一种多任务学习框架。我们开发了支持向量回归模型,用于相互依赖时间序列的联合学习。这是先前针对分类情形开发并扩展到时间序列的基于正则化的多任务学习。我们讨论了观测时间序列的相关性,并首先部署动态时间规整距离度量来识别相似序列的组。然后我们考虑了时间与尺度规整,并通过推断其公共潜在表示来对齐多个时间序列。我们在法国南锡(Nancy)公共交通系统的出行需求预测问题上测试了所提出的模型,并分析了多任务学习的益处。
引用
@article{arxiv.1712.08164,
title = {Multi-task learning of time series and its application to the travel demand},
author = {Boris Chidlovskii},
journal= {arXiv preprint arXiv:1712.08164},
year = {2017}
}