处理模糊时间延迟的鲁棒预测：一种自助策略
机器学习
2024-08-26 v1 机器学习
摘要
在当今数据驱动的环境中，生成和处理多变量时间序列数据是一个普遍存在的挑战，常常受到不同时间序列之间时间延迟的复杂化。这些延迟源于诸多因素，如不同数据传输动态、传感器干扰和环境变化，引入了显著的复杂性。传统的时间延迟估计方法通常假设固定恒定的时间延迟，可能无法完全捕捉这些变异性，在多样化的环境中削弱了预测模型的精度。为解决这一问题，我们引入时间序列模型自助法（TSMB），这是一个灵活的框架，用于处理时间序列建模中可能的变动甚至非确定性的时间延迟。与依赖单一一致时间延迟假设的传统方法不同，TSMB 采用非参数立场，认识到并融合时间延迟的不确定性。TSMB 显著增强了使用该框架进行训练和作出预测的模型的性能，使其非常适用于广泛的动态和相互关联的数据环境。
引用
@article{arxiv.2408.12801,
title = {Robust Predictions with Ambiguous Time Delays: A Bootstrap Strategy},
author = {Jiajie Wang and Zhiyuan Jerry Lin and Wen Chen},
journal= {arXiv preprint arXiv:2408.12801},
year = {2024}
}