- Непараметрическое вероятностное прогнозирование временных рядов с помощью представления инноваций (arXiv)
Автор: Синьи Ван, Мейджен Ли, Цин Чжао, Ланг Тун.
Аннотация: Вероятностное прогнозирование временных рядов предсказывает условные распределения вероятностей временных рядов в будущем с учетом прошлых реализаций. Такие методы имеют решающее значение для принятия решений и планирования с учетом рисков в условиях неопределенности. Существующие подходы в основном основаны на параметрических или полупараметрических моделях временных рядов, которые носят ограничительный характер, их трудно проверить и сложно адаптировать к изменяющимся условиям. В этой статье предлагается непараметрический метод, основанный на классическом понятии {\em инноваций}, введенном впервые Норбертом Винером и Гопинатхом Каллианпуром, который причинно преобразует непараметрический случайный процесс в независимый и идентичный равномерно распределенный {\em инновации} процесс. Мы представляем архитектуру машинного обучения и алгоритм обучения, которые обходят два ограничения оригинального представления инноваций Винера-Каллианпура: (i) необходимость в известных распределениях вероятностей временных рядов и (ii) существование причинно-следственного декодера, который воспроизводит исходный временной ряд из представления инноваций. Мы разрабатываем подход глубокого обучения и метод выборки Монте-Карло, чтобы получить генеративную модель для прогнозируемого условного распределения вероятностей временного ряда на основе слабого понятия представления инноваций Винера-Каллианпура. Эффективность предлагаемого метода вероятностного прогнозирования продемонстрирована на различных наборах данных о ценах на электроэнергию, демонстрируя заметное улучшение по сравнению с ведущими эталонными методами вероятностного прогнозирования.
2. Лучшая партия для глубокого вероятностного прогнозирования временных рядов (arXiv)
Автор: Винсент Чжихао Чжэн, Сонджин Чой, Лицзюнь Сун.
Аннотация: Глубокое вероятностное прогнозирование временных рядов привлекло значительное внимание благодаря своей способности обеспечивать ценную количественную оценку неопределенности для задач принятия решений. Однако многие существующие модели чрезмерно упрощают проблему, предполагая, что процесс ошибки не зависит от времени, тем самым упуская из виду последовательную корреляцию в процессе ошибки. Этот недосмотр потенциально может снизить точность прогнозов, сделав эти модели менее эффективными для целей принятия решений. Чтобы преодолеть это ограничение, мы предлагаем инновационный метод обучения, который включает автокорреляцию ошибок для повышения точности вероятностного прогнозирования. Наш метод включает в себя создание мини-пакета в виде набора D последовательных сегментов временного ряда для обучения модели и явное изучение ковариационной матрицы для каждого мини-пакета, которая кодирует корреляцию ошибок между соседними временными шагами. Полученную ковариационную матрицу можно использовать для повышения точности прогнозирования и улучшения количественной оценки неопределенности. Мы оцениваем наш метод с помощью DeepAR на нескольких общедоступных наборах данных, и экспериментальные результаты подтверждают, что наша структура может эффективно фиксировать автокорреляцию ошибок и улучшать вероятностное прогнозирование.
