时间序列分析
文章平均质量分 85
几多可爱
这个作者很懒,什么都没留下…
展开
-
TRMF:Temporal Regularized Matrix Factorization forHigh-dimensional Time Series Prediction论文解读
解决问题多维时间序列预测整体思路1.文章首先分析了当前时间序列分析所存在的两大难题:a.对大型时间序列的表示,即n和T都很大的时间序列;b.对由于不可抗力因素产生缺失值的时间序列能够灵活处理。2.通过上述两个难题衡量现有模型,已有的DLM与AR都不能很好的处理上述问题。3.由于需要对高维时间序列数据进行建模,由此联想到TF矩阵分解模型,其擅长于对高维时间序列建模,同时在时间序列存在缺失值的情况下也能对其进行建模预测。所以本文将基于TF进行时间序列预测模型的构建。4.TF只能够获取时间原创 2021-09-30 11:27:58 · 1931 阅读 · 3 评论 -
DeepGLO:Think Globally, Act Locally: A Deep Neural Network Approachto High-Dimensional Time Series
解决问题1.多维时间序列预测比如Amazon需要预测同一个商品类中所有未来商品的需求,这些商品需求时间序列是具有相关性的,预测未来需求的时候同时考虑相关的时间序列历史数据能提高预测精度。2.不同时间序列之间往往具有不同的scale,加大了网络初始化的难度3.已有的模型单独考虑时间序列的全局特征(MF)或者局部特征(TCN),不能更好的将多维时间序列的这两个特征相结合起来以获得更高的预测精度解决思路1.文中使用LeveledInit使得训练过程不需要apriori normalizat原创 2021-09-25 16:33:12 · 767 阅读 · 0 评论