时间序列外生回归
机器学习
2021-02-04 v3 机器学习
摘要
本文研究时间序列外生回归（TSER）：一种回归任务，旨在学习时间序列与连续标量变量之间的关系；该任务与时间序列分类（TSC）密切相关，后者旨在学习时间序列与类别标签之间的关系。此任务推广了时间序列预测（TSF），放宽了所预测值须为输入序列的未来值或主要依赖较新数值的要求。本文中，我们阐述并研究该任务，并在我们整理的包含 19 个 TSER 数据集的新档案上，对现有解法及 TSC 算法的适配方法进行基准测试。我们的结果表明，当为回归适配时，最先进的 TSC 算法 Rocket 相较于其他 TSC 算法的适配版本以及 XGBoost、Random Forest 和 Support Vector Regression 等最先进的机器学习（ML）算法取得了最高的总体精度。更重要的是，我们表明该领域亟需大量研究以提升 ML 模型的精度。我们还发现证据表明，进一步研究在改进这些直接基线方面具有极好前景。
引用
@article{arxiv.2006.12672,
title = {Time Series Extrinsic Regression},
author = {Chang Wei Tan and Christoph Bergmeir and Francois Petitjean and Geoffrey I. Webb},
journal= {arXiv preprint arXiv:2006.12672},
year = {2021}
}