用于多元时间序列聚类、插补和预测的时间重加权中国餐厅过程混合模型
统计方法学
2019-02-27 v2 机器学习
机器学习
摘要
本文提出了一种贝叶斯非参数方法，用于稀疏观测的多元时间序列数据的预测、插补和聚类。该方法适用于联合建模数百个具有广泛变化且非平稳动态的时间序列。给定 个时间序列的集合，该贝叶斯模型首先使用中国餐厅过程 (Chinese restaurant process) 先验将它们划分为独立的簇。在簇内，所有时间序列使用一种新颖的“时间重加权”中国餐厅过程混合模型进行联合建模。采用马尔可夫链蒙特卡洛 (Markov chain Monte Carlo) 技术从后验分布中获取样本，进而形成预测推断。我们将该技术应用于来自美国疾病控制与预防中心 (US Center for Disease Control and Prevention) 的季节性流感数据的挑战性预测和插补任务，展示了优于多种广泛使用的基线的预测精度和具有竞争力的插补精度。我们进一步表明，该模型在使用 Gapminder 基金会 (Gapminder Foundation) 的宏观经济数据集中，能够发现具有可解释性的簇，这些数据包含数百个时间序列。
引用
@article{arxiv.1710.06900,
title = {Temporally-Reweighted Chinese Restaurant Process Mixtures for Clustering, Imputing, and Forecasting Multivariate Time Series},
author = {Feras A. Saad and Vikash K. Mansinghka},
journal= {arXiv preprint arXiv:1710.06900},
year = {2019}
}
备注
19 pages, 10 figures, 2 tables. Appearing in AISTATS 2018