基于有序回归循环神经网络的零样本与少样本时间序列预测
机器学习
2020-03-30 v1 机器学习
摘要
循环神经网络（RNNs）在若干序列学习任务中处于最先进水平，但它们常需要大量数据才能良好泛化。对于许多时间序列预测（TSF）任务，训练时可能仅有数十个观测可用，这限制了此类模型的使用。我们提出了一种新颖的基于RNN的模型，通过学习大量量化时间序列空间上的共享特征嵌入来直接解决该问题。我们展示了此方法如何使我们的RNN框架准确可靠地预测未见过的时间序列，即使在可用训练数据极少或没有的情况下。
引用
@article{arxiv.2003.12162,
title = {Zero-shot and few-shot time series forecasting with ordinal regression recurrent neural networks},
author = {Bernardo Pérez Orozco and Stephen J Roberts},
journal= {arXiv preprint arXiv:2003.12162},
year = {2020}
}
备注
To appear at ESANN 2020; 6 pages, 2 figures, 1 link to repo