VQ-AR：用于概率时间序列预测的向量量化自回归方法
机器学习
2022-06-01 v1 人工智能
摘要
时间序列模型旨在根据过去准确预测未来，其预测结果被用于业务决策等重要下游任务。实践中，基于深度学习的时间序列模型形式多样，但在高层上均学习过去的某种连续表示并用其输出点预测或概率预测。本文引入一种新颖的自回归架构VQ-AR，其转而学习一组用于预测未来的离散表示。与其他竞争性深度学习模型的广泛实证比较表明，令人惊讶的是，这样一组离散表示在多种时间序列数据集上取得了最先进或相当的结果。我们也指出了该方法的不足，探索了其零样本泛化能力，并针对表示数量给出了消融研究。本方法的完整源代码将在发表时公开，期望研究者能进一步探究这一时间序列领域中重要却被忽视的归纳偏置。
引用
@article{arxiv.2205.15894,
title = {VQ-AR: Vector Quantized Autoregressive Probabilistic Time Series Forecasting},
author = {Kashif Rasul and Young-Jin Park and Max Nihlén Ramström and Kyung-Min Kim},
journal= {arXiv preprint arXiv:2205.15894},
year = {2022}
}