Apr, 2023

基于全球预测模型的预测准确性的时间序列聚类

PDF
TL;DR本文提出了一种新的基于模型的时间序列聚类方法，该方法通过考虑每个聚类所属的系列来拟合 K 个全局预测模型，然后将每个系列分配给产生最佳预测的模型关联的组。该方法以预测准确性作为构建聚类分区的主要元素，产生了一种新的聚类范例，其中聚类解决方案的质量是通过其预测能力来衡量的。此外，该过程还产生了一种选择时间序列数据库中聚类数量的有效机制，并且可以与任何类回归模型结合使用。大量模拟研究表明，该方法优于其他几种替代技术，包括聚类效果和预测准确性。该方法还应用于多个时间序列文献中使用的标准基准数据集的聚类中，产生了良好的结果。
model-based clusteringtime seriespredictive accuracyiterative stepsregression model
发现论文，激发创造
  • 预测时间序列组的原则和算法：局部性和全局性

    本文比较和总结了使用全局方法和本地方法进行时间序列预测的不同性能特点和适用范围，并提出使用全局算法具有更广泛的适用性和更好的普适性。同时提出了一些统计或趋势分析方法，实验证明这些方法在具有较高精度的同时，可大幅减少参数量和计算成本。

    Aug, 2020

  • 基于片段类型特征化的时间序列聚类

    该研究提出一种基于两阶段聚类的时间序列聚类新技术，其中使用最小二乘多项式分段过程对每个时间序列进行分段，并将它们映射到相同维度的空间中进行一系列的聚类过程，最终结果很有前途，并在与两种最新方法相比较时显示出性能表现优异。

    Oct, 2018

  • 大规模时间序列的预测：基于特征的方法

    在经济学及其他预测领域中，现实世界问题过于复杂，难以用单一模型假设一种具体的数据生成过程。两种基于时间序列特征的方法：基于特征的模型选择和基于特征的模型组合，对于预测大量时间序列时，各种方法的预测性能随时间序列的性质发生变化。本章讨论了最先进的基于特征的方法，并参考开源软件实现。

    Sep, 2023

  • 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

  • 基于模型的个体生态瞬时评估时间序列数据聚类，用于优化预测性能

    通过生态瞬时评估 (EMA) 研究，通过跨多个个体收集了大量的时序数据，持续监测情绪行为的各种项目。研究表明，将相似个体的附加信息聚集在一起，可以提高模型的预测性能，从而改善个体的描述。本文研究基于模型的聚类方法，并使用内在的聚类评估度量和下游预测方案的性能来分析这两种方法。结果显示，基于性能的聚类方法在所有评估度量方面均取得最佳结果。此外，通过将群组模型的性能与三种基准方案（个性化、整体群组和随机群组）进行比较，再次确认了聚类方法的优越性，表明利用群组信息可以有效提高所有个体数据的整体性能。

    Oct, 2023

  • 深度预测因素

    本研究提出了一种混合模型，将经典时间序列模型与基于深度神经网络的模型结合起来，通过全局深度组件实现可扩展性和数据驱动，同时通过本地经典模型处理不确定性。实验证明，该模型在数据效率、准确性和计算复杂性方面具有优势。

    May, 2019

  • 连接医疗设备的多变量时间序列聚类模型的比较研究

    在医疗保健领域，通过收集多变量时间序列的患者数据，可以全面了解患者的健康状况。在缺少标签的情况下，可以利用预测模型预测未来值，并且形成潜在的聚类空间。我们比较了两种模型（M AGMAC LUST 和 DGM2），通过使用 Withing 的数据集进行评估，前者聚类整个时间序列，而后者允许个体的群组归属随时间改变（即动态聚类）。

    Dec, 2023

  • 深度非参数时间序列预测器

    这篇论文提出了非参数基线模型用于时间序列预测，不同于传统的预测模型，该方法不需要对预测分布进行参数化假设，而是通过从经验分布中根据可调节的策略进行采样来生成预测。此方法总是能够产生合理的预测（即在观测数据范围内的预测），而不像传统模型在某些数据分布上存在数值稳定性问题。此外，我们还开发了基于多个相关时间序列利用信息自动学习采样策略的全局版本。通过实证评估，证明了这些方法在所有数据集上都具有合理且一致的性能，可以被视为强大的基准模型。

    Dec, 2023

  • 从相似到卓越：用于时间序列预测的通道聚类

    时间序列预测中，通过引入一种能平衡个体通道处理和通道间关联的渠道策略，我们研发了可提升预测性能的通道聚类模块。在实验中，该模块通过提高长期和短期预测的性能分别平均提升 2.4% 和 7.2%，并使得主流时间序列预测模型能够进行零 - shot 预测，揭示通道间的内在时间序列模式和改善复杂时间序列模型的解释性。

    Mar, 2024

  • 自动预测：匈牙利水痘病例估计的时间序列预测模型评估

    本文利用时间序列预测技术对匈牙利的水痘病例进行模拟预测，演示 LSTM 模型在县级预测方面的表现优于其他模型，SARIMAX 模型在国家级预测方面的表现最佳。同时，我们的数据预处理方法的表现也优于传统的数据预处理方法。

    Sep, 2022