39、基于随机神经网络的增强集成学习用于时间序列预测

基于随机神经网络的增强集成学习用于时间序列预测

在时间序列预测领域，准确预测具有多个季节性的复杂时间序列是一项极具挑战性的任务。本文将介绍基于随机神经网络（RandNN）的集成学习方法，以解决这一难题。

1. RandNN基础

RandNN专为具有多个季节性的时间序列预测而设计。当时间序列包含每日和每周季节性时，y模式的形状可表示每日季节性，而y模式的水平和离散度则可表示每周季节性。
- 季节性处理 ：构建预测模型时，会依据代表同一周中相同日期的数据进行学习。例如，对于代表周一的测试查询模式x，训练集Φ由数据中所有历史周一的x模式以及其后周二的y模式组成（假设预测步长τ = 1）。
- 解码计算 ：基于网络预测的y模式$\hat{y}$以及描述查询序列的编码变量$\tilde{e}$和$e$，使用变换后的公式$\hat{e} = \hat{y}\tilde{e} + e$计算预测的季节性序列。

2. RandNN的特点

• 季节性情况处理 ：
  • 单季节性：y模式仅表达一种季节性，无需分解预测问题。
  • 无季节性：输入模式长度需通过实验选择，y模式长度等于预测范围。
• 超参数设置 ：随机权重区间的边界$u$与最大Sigmoid斜率对应，为提高可解释性，用斜率角度$\alpha_{max}$表示$u$，即$u = 4 \tan \alpha_{max}$，并将$\alpha_{m