Model Agnostic Time Series Analysis via Matrix Estimation
Model Agnostic Time Series Analysis via Matrix Estimation
复制标题
通过矩阵估计进行与模型无关的时间序列分析
DOI：
10.1145/3287319
复制
发表时间：
2018
期刊：
影响因子：
--
通讯作者：
Shen, Dennis
中科院分区：
文献类型：
--
作者：
Agarwal, Anish;Amjad, Muhammad Jehangir;Shah, Devavrat;Shen, Dennis
我们提出了一种算法来估算和预测的时间序列转换成一个矩阵，利用矩阵估计来恢复缺失值和去噪观测条目，并进行线性回归进行预测。我们分析的核心是一个表示结果，它指出，对于一大类模型，变换后的时间序列矩阵是（近似）低秩的。实际上，这推广了时间序列文献中广泛使用的奇异谱分析（SSA），并允许我们在时间序列分析和矩阵估计之间建立严格的联系。建立这种链接的关键是构建具有非重叠条目的Page矩阵，而不是如文献中通常所做的Hankel矩阵（例如，SSA）。这种特殊的矩阵结构使我们能够提供有限样本分析的填补和预测，并证明我们的方法的渐近一致性。我们的算法的另一个显着特点是，它是模型不可知论的基础时间动态和噪声分布的意见。我们的方法的噪声不可知属性允许我们在仅获得隐马尔可夫模型中的噪声和部分观测时恢复潜在状态;例如，恢复泊松过程的时变参数，而不知道底层过程是泊松。此外，由于我们的预测算法需要回归噪声功能，我们的方法提出了一个矩阵估计为基础的方法，再加上一个新的，非标准的矩阵估计误差度量，以解决误差变量回归问题，这可能是感兴趣的权利。通过合成和真实世界的数据集，我们证明了我们的算法在存在缺失数据和高噪声的情况下优于标准软件包（包括R库）。
We propose an algorithm to impute and forecast a time series by transforming the observed time series into a matrix, utilizing matrix estimation to recover missing values and de-noise observed entries, and performing linear regression to make predictions. At the core of our analysis is a representation result, which states that for a large class of models, the transformed time series matrix is (approximately) low-rank. In effect, this generalizes the widely used Singular Spectrum Analysis (SSA) in the time series literature, and allows us to establish a rigorous link between time series analysis and matrix estimation. The key to establishing this link is constructing a Page matrix with non-overlapping entries rather than a Hankel matrix as is commonly done in the literature (e.g., SSA). This particular matrix structure allows us to provide finite sample analysis for imputation and prediction, and prove the asymptotic consistency of our method. Another salient feature of our algorithm is that it is model agnostic with respect to both the underlying time dynamics and the noise distribution in the observations. The noise agnostic property of our approach allows us to recover the latent states when only given access to noisy and partial observations a la a Hidden Markov Model; e.g., recovering the time-varying parameter of a Poisson process without knowing that the underlying process is Poisson. Furthermore, since our forecasting algorithm requires regression with noisy features, our approach suggests a matrix estimation based method-coupled with a novel, non-standard matrix estimation error metric-to solve the error-in-variable regression problem, which could be of interest in its own right. Through synthetic and real-world datasets, we demonstrate that our algorithm outperforms standard software packages (including R libraries) in the presence of missing data as well as high levels of noise.
登录
查看更多内容
DOI：
10.1142/san
发表时间：
2008
期刊：
--
影响因子：
--
作者：
A. Guttmann;I. Jensen
通讯作者：
A. Guttmann;I. Jensen
基于 Hankel 矩阵的替代方案的近似实现：Page 矩阵
DOI：
--
发表时间：
1982
期刊：
影响因子：
--
作者：
A. Damen;P. V. D. Hof;A. Hajdasiński
通讯作者：
A. Hajdasiński
遍历理论与信息论之间的相互作用
影响因子：
2.5
作者：
P. Shields
通讯作者：
P. Shields
统计模型中时变参数的估计：一种优化方法
DOI：
--
发表时间：
1997
期刊：
Annual Conference Computational Learning Theory
影响因子：
--
作者：
D. Bertsimas;D. Gamarnik;J. Tsitsiklis
通讯作者：
J. Tsitsiklis