We propose a contemporaneous bilinear transformation for matrix time series to alleviate the difficulties in modelling and forecasting large number of time series together. More precisely the transformed matrix splits into several small matrices, and those small matrix series are uncorrelated across all times. Hence an effective dimension-reduction is achieved by modelling each of those small matrix series separately without the loss of information on the overall linear dynamics. We adopt the bilinear transformation such that the rows and the columns of the matrix do not mix together, as they typically represent radically different features. As the targeted transformation is not unique, we identify an ideal version through a new normalization, which facilitates the no-cancellation accumulation of the information from different time lags. The non-asymptotic error bounds of the estimated transformation are derived, leading to the uniform convergence rates of the estimation. The proposed method is illustrated numerically via both simulated and real data examples.


翻译:我们建议同时对矩阵时间序列进行双线转换,以缓解建模和预测大量时间序列的困难。更确切地说,变换矩阵分为几个小矩阵,这些小矩阵序列在任何时候都不相干。因此,通过在不丢失关于总体线性动态的信息的情况下分别建模这些小矩阵序列,可以有效地减少尺寸。我们采用双线转换,使矩阵的行和列不相混合,因为它们通常代表完全不同的特征。由于目标变换并非独一无二,我们通过新的正常化找到理想的版本,从而便利不同时间滞后的信息的不清除积累。估计变换的非被动错误界限是产生的,导致估算的统一趋同率。拟议方法通过模拟和真实数据示例以数字方式加以说明。

0
下载
关闭预览

相关内容

《计算机信息》杂志发表高质量的论文,扩大了运筹学和计算的范围,寻求有关理论、方法、实验、系统和应用方面的原创研究论文、新颖的调查和教程论文,以及描述新的和有用的软件工具的论文。官网链接:https://pubsonline.informs.org/journal/ijoc
专知会员服务
17+阅读 · 2021年4月5日
【2021新书】编码艺术,Coding Art,284页pdf
专知会员服务
74+阅读 · 2021年1月10日
Python分布式计算,171页pdf,Distributed Computing with Python
专知会员服务
107+阅读 · 2020年5月3日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
人工智能 | ISAIR 2019诚邀稿件(推荐SCI期刊)
Call4Papers
6+阅读 · 2019年4月1日
论文浅尝 | Global Relation Embedding for Relation Extraction
开放知识图谱
12+阅读 · 2019年3月3日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
【计算机类】期刊专刊/国际会议截稿信息6条
Call4Papers
3+阅读 · 2017年10月13日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
Arxiv
0+阅读 · 2021年5月11日
Arxiv
0+阅读 · 2021年5月7日
VIP会员
Top
微信扫码咨询专知VIP会员