Sep, 2022

DeepVARwT: 带有趋势的 VAR 模型的深度学习

PDF
TL;DR本研究提出一种新的方法 DeepVARwT，利用深度学习模型 Long Short-Term Memory （LSTM）网络，在满足因果条件的情况下同时估计趋势和相关性结构，应用于预测领域并与先进的模型进行比较。
vector autoregressive modeldeep learningmaximum likelihood estimationcausality conditionprediction performance
发现论文，激发创造
  • DeepVARMA：化工行业指数预测的混合深度学习和 VARMA 模型

    通过将 LSTM 模型用于去除目标时间序列趋势和学习内生变量表示，再结合 VARMAX 模型对去趋势目标时间序列进行预测，该研究提出了一种新的预测模型 DeepVARMA 及其变体 Deep-VARMA-re 和 DeepVARMA-en，实验结果表明新模型在多变量非平稳序列预测方面的准确性和适应性优于传统 VARMA 模型以及机器学习模型 LSTM、RF 和 XGBoost，为化工行业的未来发展和科学决策提供了更准确的工具和方法。

    Apr, 2024

  • 高效易解释的多时间序列非线性建模

    提出了一种高效的非线性建模方法，通过线性 VAR 过程和分量间非线性映射来生成时间序列，并使用定制算法解决优化问题，提高了 VAR 系数的支持识别和时间序列预测能力。

    Sep, 2023

  • 利用深度神经网络建模长短期时间模式

    本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet)， 用于解决多元时间序列预测等问题，并在复杂混合循环模式数据上实现了显著的性能提升。

    Mar, 2017

  • 利用时变低秩自回归方法从时空数据中发现动态模式

    本文研究了从时空数据中发现可解释动态模式的问题，提出了一种基于低秩张量分解的时变降维自回归模型，用于模型压缩和模式发现，并证明了该模型在多个非线性动力系统的时空数据建模和特征提取方面的有效性。

    Nov, 2022

  • 深度自回归循环网络的概率预测

    该论文提出 DeepAR 方法，通过基于大量相关时间序列训练自回归循环网络模型，实现准确的概率预测，并在多个真实预测数据集上展示了与现有方法相比约 15％的准确度提升。

    Apr, 2017

  • 多变量 LSTM 神经网络自回归外生模型

    本文提出了一种多变量 LSTM 模型，能够准确预测带有外生变量的时间序列，并且解释各个变量的重要性。采用张量化隐藏状态设计的多变量 LSTM 学习每个变量的隐藏状态，从而实现混合时间和变量注意力机制，并且量化了各个变量的重要性。基于真实数据集和合成数据集的实验结果表明，相较于其他基线模型，多变量 LSTM 具有良好的预测性能和解释性，展现出成为端到端框架进行预测和知识发现的前景。

    Jun, 2018

  • 高维向量自回归的低秩和结构化建模

    提出一种新颖的方法来准确估算低秩和结构稀疏高维 VAR 模型中的网络 Granger 因果交互作用，该方法采用核范数和 lasso（或 group lasso）惩罚的组合正则化框架，证明了该方法的估计误差速率的非渐近性上界，并演示了该方法在合成和真实数据上的表现优于标准稀疏 VAR 估计。

    Dec, 2018

  • VQ-AR: 向量量化自回归概率时间序列预测

    该论文介绍了一种新颖的自回归模型 VQ-AR，使用离散表示来预测未来，并在多个时间序列数据集上展示了其能够取得先进的性能。

    May, 2022

  • DeepCAR 方法：预测具有变化点的时间序列数据

    该论文基于深度学习提出了 DeepAR 框架，用于时间序列预测。针对 DeepAR 模型在时间序列中的拐点会降低其预测性能的缺点，本文提出了一种检测拐点并将其纳入模型的方法。实验证明，该方法在无拐点情况下与标准 DeepAR 表现相同，在有拐点情况下表现更好，并且批处理大小是处理 DeepAR、Transformers 和其他现代预测模型中变化点问题的一种有效而简单的方式。

    Feb, 2023

  • 基于记忆网络的多元时间序列预测解决方案

    提出了一种名为基于记忆的时序网络的深度学习模型，具有较强的可解释性，旨在解决传统方法无法捕捉复杂模式或在多重变量中融合信息的问题。

    Sep, 2018