Core Concepts
利用领先指标学习通道依赖关系以提高多元时间序列预测准确性。
Abstract
摘要:
最近,独立于通道的方法在多元时间序列(MTS)预测中取得了最先进的表现。
本文提出了一种名为LIFT的新方法,旨在有效估计领先指标和它们的领先步骤,并允许滞后变量利用领先指标的信息。
在六个真实世界数据集上进行了广泛实验,结果显示LIFT将平均预测性能提高了5.5%。
引言:
MTS预测是各个领域中最受欢迎的研究课题之一。
许多研究认为每个通道都与其他通道有依赖关系,因此采用CD策略共同建模多个变量。
LIFT方法:
预备性预测:通过黑盒骨干获得粗略预测。
实例归一化:统一值范围跨越变量。
领导估计:动态估计每个时刻的领导指标和领导步骤。
靶向转移:将每个变量及其领导指标对齐。
领导感知细化器:从目标定向MTS段提取信号并细化初步预测。
实例反归一化:使用原始均值和标准差获得最终预测。
结果:
LIFT显著改善了CI模型和CD模型,在大多数情况下优于其他方法。
Stats
现有CD方法缺乏关于通道依赖性的先验知识,可能会遇到过拟合问题。
LIFT在六个数据集上平均提高了7.6%以上。
Quotes
"我们认为存在局部稳定的滞后关系,即某些滞后变量可能在短期内遵循领先指标。"