ScoreGrad：基于连续能量生成模型的多变量概率时间序列预测
机器学习
2021-06-21 v1 机器学习
摘要
多变量时间序列预测因其在智能交通、AIOps 等领域的广泛应用而备受关注。生成模型因能建模数据分布并考虑噪声，在时间序列建模中取得了令人印象深刻的成果。然而，许多现有工作由于生成模型函数形式的限制或对超参数的敏感性而无法被广泛使用。本文中，我们提出 ScoreGrad，一种基于连续能量生成模型的多变量概率时间序列预测框架。ScoreGrad 由时间序列特征提取模块和基于条件随机微分方程的分值匹配模块组成。预测可通过迭代求解逆时 SDE 实现。据我们所知，ScoreGrad 是首个用于时间序列预测的连续能量生成模型。此外，ScoreGrad 在六个真实世界数据集上取得了最先进的（state-of-the-art, SOTA）结果。我们还探讨了超参数与采样器类型对性能的影响。代码见 https://github.com/yantijin/ScoreGradPred。
引用
@article{arxiv.2106.10121,
title = {ScoreGrad: Multivariate Probabilistic Time Series Forecasting with Continuous Energy-based Generative Models},
author = {Tijin Yan and Hongwei Zhang and Tong Zhou and Yufeng Zhan and Yuanqing Xia},
journal= {arXiv preprint arXiv:2106.10121},
year = {2021}
}
备注
12 pages, 10 figures