Pastprop-RNN：通过修正过去改进未来预测
机器学习
2021-06-29 v1
摘要
预测精度依赖于可用历史数据的质量。数据中断会对所生成模型的质量产生不利影响（例如预测需求时缺货等意外事件）。我们借由过去预测（pastcasting）解决该问题：推测过去数据本应为何样，以更好地解释未来。我们提出 Pastprop-LSTM，一种以数据为中心的反向传播算法，将部分误差责任归咎于训练数据并相应更改之。我们在预测竞赛数据集 M4、M5 及 Numenta 异常基准上测试了 Pastprop-LSTM 的三种变体。实证评估表明，所提方法可提升预测精度，尤其当标准 LSTM 预测误差较高时；其亦展示了该算法在含异常数据集上的潜力。
引用
@article{arxiv.2106.13881,
title = {Pastprop-RNN: improved predictions of the future by correcting the past},
author = {André Baptista and Yassine Baghoussi and Carlos Soares and João Mendes-Moreira and Miguel Arantes},
journal= {arXiv preprint arXiv:2106.13881},
year = {2021}
}