• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Chaos >Combining multiple forecasts for multivariate time series via state-dependent weighting
【24h】

Combining multiple forecasts for multivariate time series via state-dependent weighting

机译：通过状态依赖加权结合多变量时间序列的多变量预测

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

We present a model-free forecast algorithm that dynamically combines multiple forecasts using multivariate time series data. The underlying principle is based on the fact that forecast performance depends on the position in the state space. This property is exploited to weight multiple forecasts via a local loss function. Specifically, additional weights are assigned to appropriate forecasts depending on their positions in a state space reconstructed via delay coordinates. The function evaluates the forecast error discounted by the distance in the space, whereas most existing methods discount the error in relation to time. In addition, forecasts are selected with the function for each time step based on the existing multiview embedding approach; by contrast, the original multiview embedding selects the reconstructions in advance before starting the forecast. The proposed prediction method has the smallest mean squared error among conventional ensemble methods for the Rossler and the Lorenz'96I models. The results of comparison of the proposed method with conventional machine-learning methods using a flood forecast example indicate that the proposed method yields superior accuracy. We also demonstrate that the proposed method might even correctly forecast the maximum water level of rivers without any prior knowledge. Published under license by AIP Publishing.
机译：我们介绍了一种无模式的预测算法，它使用多变量时间序列数据动态地组合多个预测。基础原则基于预测性能取决于状态空间的位置。此属性通过本地丢失功能利用重量多次预测。具体地，根据通过延迟坐标重建的状态空间中的位置，将额外的重量分配给适当的预测。该函数评估了空间中距离折扣的预测误差，而大多数现有方法会折扣与时间相关的错误。此外，基于现有的多视图嵌入方法，使用每个时间步骤选择预测;相比之下，在开始预测之前，原始多视图嵌入预先选择重建。所提出的预测方法具有最小的平均平均误差，用于rossler和Lorenz'96i模型。使用洪水预测示例的传统机器学习方法的所提出方法比较结果表明该方法产生卓越的精度。我们还证明，在没有任何先前知识的情况下，甚至可以正确预测河流的最大水位。通过AIP发布根据许可发布。

著录项

  • 来源
    《Chaos》 |2019年第3期|共11页
  • 作者

    Okuno Shunya; Aihara Kazuyuki; Hirata Yoshito;

  • 作者单位

    Univ Tokyo Inst Ind Sci Meguro Ku 4-6-1 Komaba Tokyo 1538505 Japan;

    Univ Tokyo Inst Ind Sci Meguro Ku 4-6-1 Komaba Tokyo 1538505 Japan;

    Univ Tokyo Int Res Ctr Neurointelligence WPI IRCN Bunkyo Ku 7-3-1 Hongo Tokyo 1130033 Japan;

  • 收录信息
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类 自然科学总论;
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号