利用时序模式进行预测

《Scientific Reports》：Leveraging temporal patterns in forecasting

　　

摘要

重复的时间模式自然地源于各种学科中的潜在过程和交互作用，涵盖从流行病学、生态学到社会科学和物理学等领域。这些模式在增强时间序列预测方面具有相当大的潜力。本研究介绍了一种方法，该方法识别这些重复模式并将其作为动态协变量纳入传统时间序列预测模型中。利用子序列时间序列聚类，我们针对各种窗口长度和k组合获得了聚类解，并且仅保留在\(t+1\)时刻标准差最低的解，这表明了聚类中所含信号的水平。我们的方法论使用三种广泛使用的预测模型进行评估：自回归积分滑动平均（ARIMA）、随机森林（RF）和长短期记忆（LSTM）。每个模型都以标准形式实现，随后通过动态协变量进行增强。经验评估使用了一个包含 1000 个时间序列的数据集，涵盖广泛的领域。结果表明，引入动态协变量显著提高了预测精度。通过在复合模型中结合静态和动态变体，我们的算法有效地筛选出时间序列聚类捕捉有意义信号的条件，并剔除噪声。