全局思考，局部行动：一种面向高维时间序列预测的深度学习网络方法
机器学习
2019-10-29 v2 机器学习
摘要
高维时间序列预测在需求预测和金融预测等诸多应用中起着关键作用。现代数据集可包含数百万个共同演化的相关时间序列，即它们是极高维的（每个单独的时间序列对应一个维度）。亟需利用全局模式并将其与局部校准相结合以获得更好的预测。然而，文献中大多数近期的深度学习方法都是一维的，即尽管它们在整体数据集上训练，但在预测时，单个维度的未来预测主要依赖于同一维度的过去值。本文旨在纠正这一缺陷，并提出 DeepGLO，一种全局思考、局部行动的深度预测模型。具体而言，DeepGLO 是一种混合模型，它结合了由时间卷积网络正则化的全局矩阵分解模型，以及另一个能够捕捉每个时间序列及其相关协变量局部特性的时间网络。我们的模型可在高维但多样的时间序列上有效训练，其中不同时间序列的规模可能差异极大，且无需先验归一化或重缩放。实证结果表明，DeepGLO 优于最先进的方法；例如，在包含超过 10 万维时间序列的公开数据集上，我们的 WAPE 比其他方法提升超过 25%。
引用
@article{arxiv.1905.03806,
title = {Think Globally, Act Locally: A Deep Neural Network Approach to High-Dimensional Time Series Forecasting},
author = {Rajat Sen and Hsiang-Fu Yu and Inderjit Dhillon},
journal= {arXiv preprint arXiv:1905.03806},
year = {2019}
}