- Zeitübergreifende probabilistische Prognoseabstimmung (arXiv)
Autor: Daniele Girolimetto, George Athanasopoulos, Tommaso Di Fonzo, Rob J. Hyndman
Zusammenfassung: Der Prognoseabgleich ist ein Prozess nach der Prognose, bei dem eine Reihe inkohärenter Prognosen in kohärente Prognosen umgewandelt werden, die einen bestimmten Satz linearer Einschränkungen für eine multivariate Zeitreihe erfüllen. In diesem Artikel erweitern wir den aktuellen, hochmodernen querschnittlichen probabilistischen Prognoseabgleichsansatz um einen zeitlichen Rahmen, in dem auch zeitliche Einschränkungen angewendet werden. Unsere vorgeschlagene Methodik verwendet sowohl parametrische Gaußsche als auch nichtparametrische Bootstrap-Ansätze, um Stichproben aus einer inkohärenten zeitübergreifenden Verteilung zu ziehen. Um die Schätzung der Prognosefehler-Kovarianzmatrix zu verbessern, schlagen wir die Verwendung mehrstufiger Residuen vor, insbesondere in der Zeitdimension, in der die üblichen einstufigen Residuen versagen. Um hochdimensionale Probleme anzugehen, stellen wir vier Alternativen für die Kovarianzmatrix vor, wobei wir die zweifache Natur (Querschnitt und Zeit) der zeitübergreifenden Struktur ausnutzen und die Idee überlappender Residuen einführen. Wir bewerten die Wirksamkeit der vorgeschlagenen zeitübergreifenden Abstimmungsansätze durch eine Simulationsstudie, die ihre theoretischen und empirischen Eigenschaften untersucht, sowie zwei empirische Prognoseexperimente unter Verwendung der Datensätze des australischen BIP und der australischen Tourismusnachfrage. Für beide Anwendungen übertreffen die optimalen zeitübergreifenden Abstimmungsansätze die inkohärenten Basisprognosen hinsichtlich des Steady Ranked Likelihood Rating und des Vitality Rating deutlich. Insgesamt erweitert und vereinheitlicht unsere Studie die Notation für Querschnitts-, Zeit- und zeitübergreifende Versöhnung und erweitert und vertieft so den probabilistischen zeitübergreifenden Rahmen. Die Ergebnisse verdeutlichen das Potenzial der vorgeschlagenen zeitübergreifenden Prognoseabgleichsmethoden zur Verbesserung der Genauigkeit probabilistischer Prognosemodelle
2.Erlernen der Mischungsstruktur in Zeitreihen mit mehreren Quellen für probabilistische Prognosen (arXiv)
Autor: Tian Guo
Zusammenfassung: In vielen datengesteuerten Anwendungen ist das Sammeln von Daten aus verschiedenen Quellen zur Leistungssteigerung zunehmend wünschenswert. In diesem Artikel interessieren wir uns für das Drawback der probabilistischen Vorhersage mit Zeitreihen aus mehreren Quellen. Wir schlagen ein auf neuronaler Mischungsstruktur basierendes Wahrscheinlichkeitsmodell zum Lernen verschiedener Vorhersagebeziehungen und ihrer adaptiven Kombinationen aus Zeitreihen mit mehreren Quellen vor. Wir stellen die Vorhersage- und Unsicherheitsquantifizierungsmethoden vor, die für verschiedene Verteilungen von Zielvariablen gelten. Darüber hinaus entwickeln wir angesichts der unausgeglichenen und instabilen Verhaltensweisen, die während des direkten Trainings des vorgeschlagenen Mischungsmodells beobachtet wurden, eine Methode des schrittweisen Lernens und liefern eine theoretische Analyse. In experimentellen Auswertungen zeigt das durch das phasenweise Lernen trainierte Mischungsmodell eine wettbewerbsfähige Leistung sowohl bei punktuellen als auch bei probabilistischen Vorhersagemetriken. Unterdessen deutet der vorgeschlagene unsicherheitsbedingte Fehler auf das Potenzial der Unsicherheitsbewertung des Mischungsmodells als Zuverlässigkeitsindikator für Vorhersagen hin
