用于具有缺失值的时间序列预测的张量自回归补全算法

摘要

为解决具有缺失值的高维时间序列的预测问题,提出一种张量自回归补全算法。在高精度低秩张量补全算法(HaLRTC)的基础上,加入张量自回归范数,通过充分利用高维时间序列所有维度的信息,对张量时间序列缺失数据进行补全。其中张量核范数捕捉时间序列的长期趋势,张量自回归范数捕捉时间序列的短期趋势,利用自回归模型的高阶形式,对补全后的高维时间序列进行预测。为了验证算法的有效性,提出基于Tucker分解的核心自回归张量补全算法(CCAR)、核心张量自回归补全算法(CTAR)、张量核心自回归补全算法(TCAR)用于消融实验。通过消融实验以及与其他现有方法的对比实验结果表明,在数据缺失比例较小的情况下,本文所提出的算法具有明显的预测优势。