用于深度序列预测重构的多变量时间自编码器
机器学习
2020-10-09 v1
摘要
时间序列序列预测与建模在真实世界数据集中已被证明是一项具有挑战性的工作。两个关键问题分别是数据的多维性以及形成潜在输出信号的独立维度之间的相互作用，还有多维时间数据在预测模型内部的表示。本文提出一种多分支深度神经网络方法，通过利用循环自编码器分支对数据窗口的潜在状态向量表示进行建模，随后将训练得到的潜在向量表示输入模型的预测分支，以应对上述问题。该模型此后被称为多变量时间自编码器（Multivariate Temporal Autoencoder, MvTAe）。本文框架使用了一个合成多变量时间数据集，该数据集包含组合形成隐藏输出目标的多个维度。
引用
@article{arxiv.2010.03661,
title = {Multivariate Temporal Autoencoder for Predictive Reconstruction of Deep Sequences},
author = {Jakob Aungiers},
journal= {arXiv preprint arXiv:2010.03661},
year = {2020}
}
备注
6 pages, 6 figures, 2 equations, 3 tables