平稳时间序列 ARIMA 迭代学习中的收敛优化
机器学习
2021-01-26 v1 机器学习
摘要
由于近期物联网（IoT）与5G的发展，连续系统中时间序列的预测成为一项日益相关的任务。流行的预测模型 ARIMA 数十年来被应用于大量不同应用。ARIMA 的在线变体采用 Online Newton Step 来学习时间序列的底层过程。该优化方法在计算复杂度和收敛性方面存在缺陷。因此，本工作聚焦于计算代价更低的 Online Gradient Descent 优化方法，该方法近年来因神经网络学习而流行。对于此类模型的迭代训练，我们提出一种结合不同 Online Gradient Descent 学习器（如 Adam、AMSGrad、Adagrad、Nesterov）以实现快速收敛的新方法。在合成数据与实验数据集上的评估表明，所提方法优于现有方法，获得了更低的整体预测误差。
引用
@article{arxiv.2101.10037,
title = {Optimizing Convergence for Iterative Learning of ARIMA for Stationary Time Series},
author = {Kevin Styp-Rekowski and Florian Schmidt and Odej Kao},
journal= {arXiv preprint arXiv:2101.10037},
year = {2021}
}