pTSE：一种用于概率时间序列预测的多模型集成方法
机器学习
2023-09-01 v2
摘要
各种概率时间序列预测模型不断涌现并展现出极佳的性能。然而，模型的选择高度依赖于输入时间序列的特征以及模型所基于的固定分布。由于概率分布无法在不同模型间直接取平均，当前的时间序列模型集成方法不能直接用于提升预测的鲁棒性与准确性。为解决此问题，我们提出 pTSE，一种基于隐马尔可夫模型（HMM）的用于概率预测的多模型分布集成方法。pTSE 仅取用成员模型的现成输出，而无需每个模型的进一步信息。此外，我们对 pTSE 提供了完整的理论分析，证明服从 HMM 的时间序列的经验分布将几乎必然收敛到平稳分布。在基准上的实验显示了 pTSE 相对于全体成员模型及有竞争力的集成方法的优越性。
引用
@article{arxiv.2305.11304,
title = {pTSE: A Multi-model Ensemble Method for Probabilistic Time Series Forecasting},
author = {Yunyi Zhou and Zhixuan Chu and Yijia Ruan and Ge Jin and Yuchen Huang and Sheng Li},
journal= {arXiv preprint arXiv:2305.11304},
year = {2023}
}
备注
The 32nd International Joint Conference on Artificial Intelligence (IJCAI 2023)