通过强化学习中的趋势点检测实现动态趋势过滤
机器学习
2025-03-25 v2 人工智能
摘要
趋势过滤通过对复杂时间序列数据应用平滑性来简化数据，同时强调与原始数据之间的接近性。然而，现有的趋势过滤方法未能反映趋势中的突然变化，由于“近似性”，导致恒定的平滑性。这种近似性均匀地过滤掉时间序列数据尾部分布，后者以极端值特征，包括突然变化和噪声。本文提出将趋势点检测形式化为马尔可夫决策过程 (MDP)，以识别应在趋势中得到反映的关键点，超越近似方法。我们将这些关键点称为动态趋势点 (DTP)，通过插值提取趋势。为识别 DTP，我们在离散动作空间中利用强化学习 (RL)，并采用预测误差的和作为奖励函数，称为 Dynamic Trend Filtering 网络 (DTF-net)。DTF-net 集成了灵活的噪声过滤，既保留关键原始子序列，又按需移除其他子序列的噪声。我们展示了 DTF-net 在捕捉突然变化方面优于其他趋势过滤算法，并提升了预测性能，因为突然变化被预测而非平滑处理。
引用
@article{arxiv.2406.03665,
title = {Towards Dynamic Trend Filtering through Trend Point Detection with Reinforcement Learning},
author = {Jihyeon Seong and Sekwang Oh and Jaesik Choi},
journal= {arXiv preprint arXiv:2406.03665},
year = {2025}
}
备注
18 pages, 11 figures