Adaptive time series forecasting with markovian variance switching

要約

適応時系列予測は、体制変化時の予測に不可欠です。
いくつかの古典的な手法は、分散が時間的に一定である線形ガウス状態空間モデル (LGSSM) を前提としています。
ただし、現実世界には、そのようなモデルでは捉えられないプロセスが数多くあります。
マルコフスイッチング分散を伴う状態空間モデルを検討します。
このような動的システムは、計算の複雑さが時間の経過とともに指数関数的に増加するため、通常は扱いにくくなります。
この問題には変分ベイズ (VB) 技術が適用されています。
この論文では、オンライン学習理論に基づいて分散を推定する新しい方法を提案します。
私たちは専門家の集計手法を採用して、経時的な差異を学習します。
提案手法を合成データと電力負荷予測問題に適用する。
この方法は仕様ミスに対して堅牢であり、従来の専門家による集計よりも優れたパフォーマンスを発揮することを示します。

要約(オリジナル)

Adaptive time series forecasting is essential for prediction under regime changes. Several classical methods assume linear Gaussian state space model (LGSSM) with variances constant in time. However, there are many real-world processes that cannot be captured by such models. We consider a state-space model with Markov switching variances. Such dynamical systems are usually intractable because of their computational complexity increasing exponentially with time; Variational Bayes (VB) techniques have been applied to this problem. In this paper, we propose a new way of estimating variances based on online learning theory; we adapt expert aggregation methods to learn the variances over time. We apply the proposed method to synthetic data and to the problem of electricity load forecasting. We show that this method is robust to misspecification and outperforms traditional expert aggregation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google