Jul, 2012

利用图模型进行 ARMA 时间序列建模

PDF
TL;DR本研究将经典 ARMA 时间序列模型表达成有向图形式，在此基础上将确定性关系替换为小方差的高斯分布，形成随机 ARMA（ARMA）模型，这种改进允许我们使用 EM 算法学习参数并进行预测，即使存在数据丢失。实验结果表明，移动到随机 ARMA 模型能够通过更好的平滑获得更高的精度，并演示了交叉预测和更好平滑的改进在实际数据上的效果。
arma modelstochastic armagraphical modelem algorithmcross predictors
发现论文，激发创造
  • 时间序列预测的在线学习

    本文针对使用 ARMA 模型预测时间序列的问题，使用遗憾最小化的技术，开发了有效的在线学习算法，并且在不假设噪声项服从高斯分布、独立同分布等条件下进行预测，进一步展示了我们算法的性能在渐近上趋向于最佳 ARMA 模型的表现。

    Feb, 2013

  • 多元时间序列中的时间箭头

    本文研究证明了存在一种具有可逆性质的 VARMA 模型，但在噪声变量服从非高斯分布时这种性质会破坏，从而提出了一种算法用于推断时间方向，并探究了算法在不同情况下的表现和应用，可扩展到因果推断领域。

    Mar, 2016

  • 稀疏图线性动态系统

    该研究论文提出了一种新的联合图模型框架来填补现有的状态空间模型中静态图模型和基于因果关系的图模型之间的缺失。作者通过引入一个高效的块交替主要化极小化算法实现了该框架，并通过对合成和真实气象变化数据的实验验证了所提出模型和推断算法的有效性。

    Jul, 2023

  • 处理缺失数据的图模型

    本文从透明度、可估计性和可测试性的三个方面，评估了传统框架的限制，并展示了如何通过基于图形模型的方法来克服这些限制并在包括 MNAR 在内的广泛缺失数据问题中提供有意义的性能保证。同时，提出了在 MAR 和 MNAR 类别中对缺失数据模型进行可测试的推论。

    Jan, 2018

  • G-NM：一组数值时间序列预测模型

    本研究旨在开发一个综合性的数字时间序列预测模型拓展我们对自然现象模式和趋势的预测能力。该模型采用传统的 ARIMA、Holt-Winters 的方法、支持向量回归和现代神经网络模型 RNN 和 LSTM 等多种模型，可捕捉时间序列数据中的线性和非线性依赖性和季节性，旨在为大规模时间序列预测模型的发展提供实质性推进。

    Jun, 2023

  • 基于顺序一般变分模式分解方法的时间序列预测组合模型

    金融时间序列的准确预测对市场经济参与者和投资者至关重要。本文选择在线商店销售和澳大利亚啤酒销售作为非平稳、趋势和季节性金融时间序列的代表，并以非线性组合方式构建了一个新的 SGVMD-ARIMA 组合模型来预测金融时间序列。ARIMA 模型、LSTM 模型和其他经典分解预测模型作为对照模型，比较不同模型的准确性。实证结果表明，构建的组合预测模型相对于单一预测模型和线性组合预测模型具有普适优势。在预测区间内，我们提出的组合模型相对于传统分解预测对照模型具有改进优势。

    Jun, 2024

  • 图形建模中的结构学习

    本文回顾和讨论了一些关于图模型的进展，包括了无向图模型和有向图模型的估计方法，以及处理潜在变量和异构数据源的拓展。

    Jun, 2016

  • 一种基于 EM 方法的非自回归条件序列生成方法

    本文提出的一种新方法使用统一的 EM 框架共同优化 AR 和 NAR 模型，以有效地引导系统消除输出序列中的多模态，评估结果表明，该方法在机器翻译任务上实现了具有竞争力的性能，同时显著减少了推理延迟。

    Jun, 2020

  • Autoregressive 生成模型视为基于能量的模型能够更优化

    本文介绍了一种名为 E-ARM 的独特方法，用于训练自回归生成模型。该方法利用了 softmax 操作的额外自由度，使得自回归模型本身成为一种测量输入可能性的基于能量的模型，从而提高了自回归生成模型的效果，并减轻了暴露偏差问题和增加了时间上的一致性。

    Jun, 2022

  • 时间序列建模和预测入门研究

    本文研究了时间序列建模和预测，分别介绍了随机、神经网络和 SVM 基于模型的预测。实验结果表明不同模型的预测表现，以及采用不同评价指标评价不同模型。

    Feb, 2013