时间序列数据的神经分解以实现有效泛化
神经与进化计算
2018-06-26 v2
摘要
我们提出一种用于时间序列数据分析和外推的神经网络技术，称为神经分解 (ND)。使用具有正弦激活函数的单元对训练样本进行类似傅里叶的分解，将其表示为正弦波之和，并辅以具有非周期激活函数的单元来捕捉线性趋势和其他非周期成分。我们展示了如何将谨慎的权重初始化与正则化相结合，形成一个泛化良好的简单模型。我们的方法在以下数据集上有效泛化：Mackey-Glass 序列、美国劳工统计局报告的失业率数据集、月度国际航空旅客时间序列、洛杉矶市中心月度臭氧浓度，以及印度北部某洞穴氧同位素测量的非均匀采样时间序列。我们发现 ND 优于流行的时序预测技术，包括 LSTM、回声状态网络、ARIMA、SARIMA、径向基函数 SVR 以及 Gashler 和 Ashmore 的模型。
引用
@article{arxiv.1705.09137,
title = {Neural Decomposition of Time-Series Data for Effective Generalization},
author = {Luke B. Godfrey and Michael S. Gashler},
journal= {arXiv preprint arXiv:1705.09137},
year = {2018}
}
备注
13 pages, 11 figures, IEEE TNNLS Preprint