论文笔记——Deep State Space Models for Time Series Forecasting
作者：互联网
链接
NeurIPS2018，亚马逊做的研究。
https://papers.nips.cc/paper/8004-deep-state-space-models-for-time-series-forecasting
主要工作
将state space models(SSM)与深度学习结合起来。
将基于独立的时间序列的线性的state space model用联合起来学习的RNN进行参数化。并且，保持了state space models的性能和可解释型，又使得能够从原始数据中学习到复杂的状态。
- 主要是用RNN融合SSM，用RNN将SSM参数化的过程中，参数是由原始的时间序列和相关的协变量提取出来的。
- 使得模型具有可解释型，针对每个单独的时间序列的SSM的参数是可以检验的。结合SSM的结构假设，模型可以在标准化后适应小数据和大数据。在数据量少时还可以避免过拟合。
SSM
state space model是对时间序列建模和学习的重要框架，包含了众所周知的ARIMA和指数平滑。
SSM很适合用于那些结构还不太清晰的时间序列。由于对这些结构还不太清晰的时间序列可以提出一些假设（比如ARIMA要求时间序列本身或者差分后是平稳的），所以模型具有数据敏感性和很好的可解释型。但是，这样需要整个时间序列有足够的历史数据。除此之外，SSM也不能发现类似的一些时间序列中蕴含的共同的信息（这在亚马逊的deepAR的paper中也有提到），因为参数都是独立学习的。
DNN
优势：
- 可以解析高维的特征
- 可以在单独的时间序列中或者几个时间序列的整体层次上识别时间序列的模式
劣势：
- 需要大量数据
- 缺乏可解释型，黑盒模型。
Deep State Space Models
- state space参数是全局学习的，而非像SSM一样独立学习。
- 通过与每个时间序列都相关的协方差学习过全局共享的映射关系
- 通过RNN学习SSM的参数
标签：学习,Forecasting,space,Models,Space,SSM,state,时间,序列 来源： https://blog.csdn.net/sherpahu/article/details/100673939