基于时空信息变换与多任务GPR的短时间序列预测
机器学习
2022-04-27 v1
摘要
由于信息不足，尤其是多步向前预测时，仅从短期时间序列对未知系统做出准确预测是困难的。然而，高维短期时间序列包含丰富的动力学信息，并且在许多领域中越来越容易获得。在这项工作中，通过利用将此类高维/空间信息转换为时间信息的时空信息（STI）变换方案，我们开发了一种称为MT-GPRMachine的新方法，以从短期时间序列实现准确预测。具体而言，我们首先构建一个特定的多任务GPR，它是多个关联的STI映射，用于将高维/空间信息转换为任意给定目标变量的时间/动力学信息，然后通过求解这些STI映射对目标变量进行多步向前预测。在各种合成和真实世界数据集上的多步向前预测结果清楚地验证了MT-GPRMachine优于其他现有方法。
引用
@article{arxiv.2204.12085,
title = {Time Series Prediction by Multi-task GPR with Spatiotemporal Information Transformation},
author = {Peng Tao and Xiaohu Hao and Jie Cheng and Luonan Chen},
journal= {arXiv preprint arXiv:2204.12085},
year = {2022}
}