多维时间序列预测的贝叶斯时态分解

Oct, 2019

多维时间序列预测的贝叶斯时态分解

Bayesian Temporal Factorization for Multidimensional Time Series Prediction

Xinyu Chen, Lijun Sun

TL;DR本文提出了一种贝叶斯时间分解（BTF）框架，用于在存在缺失值的情况下对多维时间序列进行建模，通过将低秩矩阵 / 张量分解和向量自回归 (VAR) 过程集成到一个概率图模型中，该框架可以表征大规模时间序列数据中的全局和局部一致性，并开发了有效的 Gibbs 采样算法进行模型推断和预测，在多个缺失数据和滚动预测任务上验证了该框架的显著优越性。

Abstract

Large-scale and multidimensional spatiotemporal data sets are becoming ubiquitous in many real-world applications such as monitoring urban traffic and air quality. Making predictions on these time series has become a critical challenge due to not only the large-scale and high-dimension

spatiotemporal data bayesian temporal factorization missing data probabilistic predictions gibbs sampling algorithms

发现论文，激发创造

一种基于变分推断的贝叶斯张量分解模型用于链接预测

通过 VB 推断技术对单个和耦合张量分解模型进行全贝叶斯推断，有效地解决了缺失链接预测问题。

Sep, 2014

基于贝叶斯鲁棒性的不完整多维数据张量分解

本文提出了一种基于贝叶斯建模和多线性交互作用的张量分解方法，可以在存在缺失数据和离群值的情况下进行鲁棒分析，实现对丢失数据的稳健预测分布。

Oct, 2014

时间潜变量自编码器：一种概率多元时间序列预测方法

本研究介绍了一种新颖的时间潜在自编码器方法以实现多元时间序列的非线性分解，并通过解码器建模输入序列的复杂分布，得到极好的表现。

Jan, 2021

高维分类的贝叶斯条件张量分解