深度切换自回归因子分解：在时间序列预测中的应用

深度切换自回归因子分解:在时间序列预测中的应用

Submitted on 10 Sep 2020（****下图有误****）

论文

https://arxiv.org/pdf/2009.05135v1.pdf

源码

https://github.com/ostadabbas/DSARF

摘要

我们引入深度转换自回归因子分解(DSARF)，这是一种时空数据的深度生成模型，能够揭示数据中重复出现的模式，并执行稳健的短期和长期预测。与其他因子分析方法类似，DSARF通过时间相关权重和空间相关因子之间的乘积来逼近高维数据。这些权重和因素依次表示为使用随机变分推断推断的低维潜在变量。DSARF与最先进的技术的不同之处在于，它以深度转换向量自回归似然来参数化权值，并控制一个马尔可夫先验，这能够捕获权值之间的非线性相关性，以表征多模态时间动态。这就形成了一个灵活的分层深度生成因子分析模型，该模型可以扩展为(i)提供从过程动力学中抽象出来的可能可解释的状态集合，以及(ii)在复杂的多关系环境中执行短期和长期向量时间序列预测。我们的广泛的实验,其中包括模拟数据和真实数据从一个广泛的应用,如气候变化、天气预报、交通、传染病传播和非线性物理系统证明DSARF性能优越的长期和短期预测误差方面,相比与最先进的方法

总结

我们在贝叶斯框架中引入了深度切换自回归因子分解(DSARF)。我们的方法扩展了切换线性动力系统模型和贝叶斯动力矩阵分解方法，通过使用离散延拓链切换非线性向量自回归潜变量模型来捕获高阶多模态潜变量相关性。这扩展了预测范围，改善了长期和短期预测，我们的大量合成和真实数据实验证明了这一点。由于引入了因子分解框架，DSARF被证明可扩展到高维数据，对缺失数据易于处理，为估计提供不确定性度量，并适合于一种有效的推理算法。