基于自适应窗口的在线核动态模式分解用于流式时间序列预测
机器学习
2025-10-20 v1
摘要
从流式数据进行实时预测面临关键挑战：处理非平稳动力学、在严格的计算限制下运行、以及在不产生灾难性遗忘的前提下快速适应。然而，许多现有方法在准确性、适应性和效率之间面临权衡，尤其是在受限计算环境中部署时。我们引入WORK-DMD（Windowed Online Random Kernel Dynamic Mode Decomposition，窗口式在线随机核动态模式分解），一种结合随机傏里叶特征与在线动态模式分解的方法，通过显式特征映射捕捉非线性动力学，同时保持固定的计算成本和在演化数据上的竞争性预测准确性。WORK-DMD在滚动窗口内采用Sherman-Morrison更新，实现对当前数据的连续适应，无需 lengthy training 或存储大量历史数据。实验在多个领域的基准数据集上表明，WORK-DMD的预测准确率高于几种最先进的在线预测方法，仅需一次数据遍历，尤其在短期预测中表现尤为出色。我们的结果表明，结合核函数评估与自适应矩阵更新可实现卓越的预测性能，数据需求极低。这为流式预测应用提供了一种实用的深度学习替代方案。
引用
@article{arxiv.2510.15404,
title = {Online Kernel Dynamic Mode Decomposition for Streaming Time Series Forecasting with Adaptive Windowing},
author = {Christopher Salazar and Krithika Manohar and Ashis G. Banerjee},
journal= {arXiv preprint arXiv:2510.15404},
year = {2025}
}