SSMF：漂移季节性矩阵分解
机器学习
2021-10-26 v1 人工智能
摘要
给定出发地与目的地之间的出租车乘坐次数信息，我们如何预测其未来需求？一般而言，给定具有随时间演化的季节性模式的数据流事件，我们如何有效且高效地预测未来事件？本文提出一种称为漂移季节性矩阵分解（SSMF）的方法，其可自适应地学习多种季节模式（称为体制），并在它们之间切换。我们提出的方法具有以下性质：(a) 它通过检测数据流演化过程中季节模式的体制漂移，准确预测未来事件；(b) 它工作于在线设定，即以常数时间和内存处理每个观测；(c) 它利用无损数据压缩方案，无需人工干预即可有效实现体制漂移。我们通过在三个真实世界数据流上准确预测即将发生的事件，证明了我们的算法优于最先进的基线方法。
引用
@article{arxiv.2110.12763,
title = {SSMF: Shifting Seasonal Matrix Factorization},
author = {Koki Kawabata and Siddharth Bhatia and Rui Liu and Mohit Wadhwa and Bryan Hooi},
journal= {arXiv preprint arXiv:2110.12763},
year = {2021}
}
备注
NeurIPS, 2021