基于时间矩阵分解的大规模短时序集合的最优潜空间预测
机器学习
2021-12-16 v1 人工智能
机器学习
摘要
在时序预测中，评估多种方法并从中选择某一方法或集成以产生最佳预测是常见做法。然而，在多种方法的不同集成间进行选择仍是一项艰巨任务，且随方法数量增加经历组合爆炸。在需求预测或收益预测背景下，由于大量时间序列以及因业务环境变化导致的有限历史数据点，该挑战进一步加剧。尽管深度学习预测方法旨在同时预测大规模时间序列，但由于可用历史有限，它们在此类场景中难以应用且可能不会产生理想结果。我们提出一种通过结合低秩时间矩阵分解与基于交叉验证的潜时间序列最优模型选择来预测短高维时间序列数据的框架。我们证明，与直接在时间序列上应用不同单变量模型相比，预测潜因子带来显著性能提升。性能已在 M4 月度数据集的截断版上验证，该数据集包含来自多个领域的时间序列数据，显示了方法的普遍适用性。此外，由于潜因子数量少，它易于融入分析师对未来看法，而这在直接将预测方法应用于高维数据集时通常是不切实际的。
引用
@article{arxiv.2112.08052,
title = {Optimal Latent Space Forecasting for Large Collections of Short Time Series Using Temporal Matrix Factorization},
author = {Himanshi Charotia and Abhishek Garg and Gaurav Dhama and Naman Maheshwari},
journal= {arXiv preprint arXiv:2112.08052},
year = {2021}
}