向量时间序列的季节性调整自回归
机器学习
2019-11-05 v1 机器学习
最优化与控制
摘要
我们提出了一种简单的向量时间序列预测算法，该算法在训练和推断阶段均对缺失数据具有鲁棒性。它对季节性年度、周度和日度基线以及季节性调整后残差的高斯过程进行建模。我们开发了一种自定义的截断特征分解来拟合低秩加块对角高斯核。推断通过舒尔补（Schur complement）执行，使用 Tikhonov 正则化防止过拟合，并利用 Woodbury 公式高效求逆核的子矩阵。推断所需的内存与计算量关于时间序列的维度呈线性，因此该模型可扩展到极大型数据集。我们还提出了一种简单的“贪心”网格搜索用于自动超参数调优。本文附带 tsar（即 time series auto-regressor）这一实现该算法的 Python 库。
引用
@article{arxiv.1911.01010,
title = {Seasonally-Adjusted Auto-Regression of Vector Time Series},
author = {Enzo Busseti},
journal= {arXiv preprint arXiv:1911.01010},
year = {2019}
}