异构时间序列的协同学习用于多步概率预测
机器学习
2021-02-02 v1 人工智能
机器学习
摘要
时间序列在交通、金融和医疗等应用中无处不在。时间序列常受外部因素影响，尤其以异步事件的形式，使得预测困难。然而，现有模型主要针对同步时间序列或异步事件序列，难以提供综合方式来捕捉二者间关系。我们提出变分协同多步网络（VSMHN），一种新颖的深度条件生成模型。为学习异构序列间的复杂关联，设计了定制编码器以结合深度点过程模型与变分循环神经网络的进展。此外，精心设计了对齐时间编码与辅助转移方案，用于对未对齐序列的批量训练。我们的模型可利用随机变分推断有效训练，并通过蒙特卡洛模拟生成概率预测。此外，我们的模型产生准确、尖锐且更真实的概率预测。我们还表明，对异步事件序列建模对于多步时间序列预测至关重要。
引用
@article{arxiv.2102.00431,
title = {Synergetic Learning of Heterogeneous Temporal Sequences for Multi-Horizon Probabilistic Forecasting},
author = {Longyuan Li and Jihai Zhang and Junchi Yan and Yaohui Jin and Yunhao Zhang and Yanjie Duan and Guangjian Tian},
journal= {arXiv preprint arXiv:2102.00431},
year = {2021}
}
备注
Accepted by AAAI 2021 conference