用于精确长程预测的概率自回归神经网络
机器学习
2023-12-05 v3 机器学习
摘要
时间序列数据预测是一个关键的研究领域，其应用从股票价格到早期流行病预测均有涉及。尽管已提出众多统计与机器学习方法，现实生活中的预测问题往往需要桥接经典预测方法与现代神经网络模型的混合解决方案。在本研究中，我们引入了概率自回归神经网络(Probabilistic AutoRegressive Neural Networks, PARNN)，其能够处理表现出非平稳性、非线性、非季节性、长程依赖和混沌模式的复杂时间序列数据。PARNN 通过利用自回归积分滑动平均(autoregressive integrated moving average, ARIMA)反馈误差改进自回归神经网络(autoregressive neural networks, ARNN)而构建，结合了两种模型的可解释性、可扩展性和“类白盒”预测行为。值得注意的是，PARNN 模型通过预测区间提供不确定性量化，这使其区别于先进的深度学习工具。通过全面的计算实验，我们评估了 PARNN 相对于标准统计、机器学习和深度学习模型（包括 Transformers、NBeats 和 DeepAR）的性能。来自宏观经济、旅游、流行病学和其他领域的多样化真实世界数据集被用于短期、中期和长期预测评估。我们的结果表明，PARNN 在各种预测区间内均优于现有最优预测器。所提出的 PARNN 模型为精确长程预测提供了一种有价值的混合解决方案。通过有效捕捉时间序列数据中存在的复杂性，其在准确性和可靠性方面均优于现有方法。通过预测区间量化不确定性的能力进一步增强了该模型在决策过程中的实用性。
引用
@article{arxiv.2204.09640,
title = {Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting},
author = {Madhurima Panja and Tanujit Chakraborty and Uttam Kumar and Abdenour Hadid},
journal= {arXiv preprint arXiv:2204.09640},
year = {2023}
}