C2FAR: Coarse-to-Fine Autoregressive Networks for Precise Probabilistic Forecasting

C2FAR: Coarse-to-Fine Autoregressive Networks for Precise Probabilistic Forecasting

基于DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks

本文提出由粗到细的自回归网络(C2FAR)，一种对单变量数值随机变量的概率分布进行建模的方法。C2FAR自回归地生成一个分层的、从粗到细的变量离散化;从分箱分布序列中逐渐生成更细的支撑区间，其中每个分布都以先前生成的更粗的区间为条件。与之前的(平坦)分箱分布不同，C2FAR可以以指数级更高的精度表示值，只需要线性增加复杂度。我们使用C2FAR通过循环神经网络进行概率预测，从而在空间和时间上对时间序列进行自回归建模。C2FAR是第一个同时处理任意尺度和分布形状的离散和连续序列的方法。这种灵活性支持各种时间序列用例，包括异常检测、插值和压缩。在几个基准预测数据集上，C2FAR比最先进的方法取得了改进。

一核心思想

如图(a)所示，如果我们知道序列值的大概范围，就可以将这个值区间划分为12个容器，相当于对连续的序列值做了离散化（我这里用容器指代bin），这可以将预测问题变成分类问题。但是(a)这种简单的划分容器的方式，要达到较高精度（即较多的区间），需要很多个容器。因此，可以使用一种分层的方式，由粗到细。如图(a)