NonSTOP：一种用于时间序列的非平稳在线预测方法
机器学习
2018-08-28 v4 机器学习
摘要
我们提出用于时间序列的在线预测方法，这些方法让我们能显式处理大多数实时序列中存在的非平稳伪影（例如趋势和季节性）。具体地，我们表明在预测前对此类时间序列施加适当变换可带来理论与经验预测性能的提升。此外，由于这些变换通常未知，我们采用带专家的学习设置来开发一种完全在线的方法（NonSTOP——非平稳在线预测）用于预测非平稳时间序列。该框架允许单变量时间序列中的季节性和/或其他趋势，以及多变量时间序列中的协整。我们的算法与遗憾分析包含了近期相关工作，同时显著扩展了此类方法的适用性。对于所有方法，我们在放宽假设下提供了次线性遗憾界。理论保证并未完全捕捉变换的益处，因此我们提供了对跟随领导者算法的数据依赖分析，以深入洞察使用此类变换的成功之处。我们用模拟和真实数据上的实验支持所有结果。
引用
@article{arxiv.1611.02365,
title = {NonSTOP: A NonSTationary Online Prediction Method for Time Series},
author = {Christopher Xie and Avleen Bijral and Juan Lavista Ferres},
journal= {arXiv preprint arXiv:1611.02365},
year = {2018}
}