时间潜在自编码器：一种概率多元时间序列预测方法

高维多元时间序列的概率预测是一项出了名的艰巨任务，无论在计算负担还是分布建模方面皆然。多数先前工作要么做简单的分布假设，要么放弃对序列间相关性的建模。一条有前景的研究路线利用可扩展矩阵分解进行潜在空间预测，但仅限于线性嵌入，无法建模分布，且在使用深度学习预测时不能端到端训练。我们引入一种新颖的时间潜在自编码器方法，其支持多元时间序列的非线性分解，并与时间深度学习潜在空间预测模型端到端联合学习。通过施加概率潜在空间模型，输入序列的复杂分布经由解码器得以建模。大量实验表明，我们的模型在许多流行的多元数据集上取得了最先进的性能，对于若干标准指标增益有时高达 $50\%$。