Forecasting time series with constraints
Prévision de séries temporelles sous contraintes
Résumé
Time series forecasting presents unique challenges that limit the effectiveness of traditional machine learning algorithms. To address these limitations, various approaches have incorporated linear constraints into learning algorithms, such as generalized additive models and hierarchical forecasting. In this paper, we propose a unified framework for integrating and combining linear constraints in time series forecasting. Within this framework, we show that the exact minimizer of the constrained empirical risk can be computed efficiently using linear algebra alone. This approach allows for highly scalable implementations optimized for GPUs. We validate the proposed methodology through extensive benchmarking on real-world tasks, including electricity demand forecasting and tourism forecasting, achieving state-of-the-art performance.
La prévision des séries temporelles présente des défis uniques qui limitent l'efficacité des algorithmes traditionnels d'apprentissage automatique. Pour y remédier, diverses approches cherchent à intégrer des contraintes linéaires dans les algorithmes d'apprentissage, tels que les modèles additifs généralisés et les prévisions hiérarchiques. Dans cet article, nous proposons un cadre unifié pour l'intégration et la combinaison des contraintes linéaires dans la prévision des séries temporelles. Dans ce cadre, nous montrons que le minimiseur exact du risque empirique contraint peut être calculé efficacement en utilisant uniquement l'algèbre linéaire. Cette approche permet l'implémentation efficace d'un algorithme sur carte graphique (GPU). Nous validons la méthodologie proposée par des expériences sur données réelles, en prévision de demande électrique et de tourisme.
Origine | Fichiers produits par l'(les) auteur(s) |
---|---|
licence |