用于时间序列预测的时空信息转换机
机器学习
2023-02-20 v2 人工智能
动力系统
摘要
仅基于非线性系统的观测数据以鲁棒方式进行预测是一项困难的任务。在这项工作中，我们开发了一种神经网络计算框架——时空信息转换机（STICM），通过采用时空信息（STI）变换来高效且准确地对时间序列进行多步超前预测。STICM 结合了 STI 方程和时序卷积网络的优势，将高维/空间数据映射到目标变量的未来时间值，从而自然地提供目标变量的预测。从观测变量中，STICM 还在 Granger 因果关系的意义上推断目标变量的因果因素，这些因素反过来被选择为有效的空间信息以提高时间序列的预测鲁棒性。STICM 已成功应用于基准系统和真实世界数据集，所有这些都显示出在多步超前预测中优越且鲁棒的性能，即使数据受到噪声扰动。从理论和计算两个角度看，STICM 在人工智能（AI）的实际应用中具有巨大潜力，或作为一种仅基于观测数据的无模型方法，并且也为以动态方式探索观测高维数据用于机器学习开辟了新途径。
引用
@article{arxiv.2107.01353,
title = {Spatiotemporal information conversion machine for time-series prediction},
author = {Hao Peng and Pei Chen and Rui Liu and Luonan Chen},
journal= {arXiv preprint arXiv:2107.01353},
year = {2023}
}
备注
28 pages, 6 figures