结合序列神经网络与统计方法改进时间序列预测的两种途径

统计建模与数据驱动学习是备受关注的两个重要领域。统计模型旨在捕捉和解释变量之间的关系，而基于数据的学习试图通过复杂模型直接从数据中提取信息而无需预处理。鉴于两个领域的广泛研究，一个微妙的问题是如何将基于数据的方法与现有知识或模型恰当整合。本文基于时间序列数据，提出两种整合二者的不同方向：一种基于分解的方法，以及一种利用数据特征统计提取的方法。第一种将数据分解为线性稳定、非线性稳定和不稳定部分，其中对线性稳定和非线性稳定部分使用合适的统计模型，而对不稳定部分使用适当的机器学习工具。第二种应用统计模型提取数据的统计特征，并将其作为额外输入送入机器学习平台进行训练。最关键和最具挑战性的事情是如何从数学或统计模型中确定并提取有价值的信息以提升机器学习算法的性能。我们使用具有不同程度稳定性的时间序列数据评估该方案。性能结果表明，两种方法都能优于单独使用模型与学习的现有方案，且改进可超过60%。我们提出的两种方法在弥合基于模型与数据驱动方案之间的差距并将二者整合以提供整体更高学习性能方面具有前景。