[论文解读] On projection methods for functional time series forecasting

Antonio Elías, Raúl Jiménez+1 more|arXiv (Cornell University)|May 10, 2021

Forecasting Techniques and Applications参考文献 81被引用 4

一句话总结

该论文提出两种无需模型、非参数的函数时间序列（FTS）预测方法，分别基于k-最近邻（k-NN）和曲线包络方法，通过投影技术预测未来曲线。这些方法支持一步预测和动态更新，在模拟数据及真实数据（如电力需求、NOx排放）中表现优于基准模型（如FPCF），尤其在复杂非线性动态下表现更优。

ABSTRACT

Two nonparametric methods are presented for forecasting functional time series (FTS). The FTS we observe is a curve at a discrete-time point. We address both one-step-ahead forecasting and dynamic updating. Dynamic updating is a forward prediction of the unobserved segment of the most recent curve. Among the two proposed methods, the first one is a straightforward adaptation to FTS of the $k$-nearest neighbors methods for univariate time series forecasting. The second one is based on a selection of curves, termed \emph{the curve envelope}, that aims to be representative in shape and magnitude of the most recent functional observation, either a whole curve or the observed part of a partially observed curve. In a similar fashion to $k$-nearest neighbors and other projection methods successfully used for time series forecasting, we ``project'' the $k$-nearest neighbors and the curves in the envelope for forecasting. In doing so, we keep track of the next period evolution of the curves. The methods are applied to simulated data, daily electricity demand, and NOx emissions and provide competitive results with and often superior to several benchmark predictions. The approach offers a model-free alternative to statistical methods based on FTS modeling to study the cyclic or seasonal behavior of many FTS.

研究动机与目标

• 解决函数时间序列（FTS）中对无需参数假设（如ARFIMA或基于FPC的模型）的无模型、非参数预测方法的需求。
• 通过非参数投影技术，建立统一框架，实现一步预测与动态更新——即对部分观测曲线的向前预测。
• 通过利用函数深度与最近邻原理，提供对传统FTS模型的灵活替代方案，以捕捉FTS数据中复杂的非线性与季节性行为。
• 在模拟数据与真实数据集（电力需求、NOx排放）上评估所提方法，以证明其在面对成熟基准模型时的鲁棒性与竞争力。

提出的方法

• 将k-最近邻（k-NN）方法从单变量时间序列推广至FTS，通过定义函数曲线之间的距离度量，识别出最相似的k个历史曲线。
• 通过其未来曲线段的凸组合，对k个最近邻的未来部分进行投影，以预测序列中的下一曲线。
• 提出曲线包络方法，基于形状与幅值相似性，从最近观测曲线（或其部分段）中选取一组代表性曲线，构成投影的局部邻域。
• 利用函数深度度量指导曲线包络的选择，确保所选曲线在位置与形状上能代表最近的函数观测。
• 通过k-NN或基于包络的方法，对部分观测曲线中未观测部分进行投影，实现观测过程中的实时预测，支持动态更新。
• 通过交叉验证或数据驱动方法优化超参数（k、嵌入维数E、包络大小m），其中在模拟中m设为100（小样本）和500（大样本）。

实验结果

研究问题

• RQ1 k-NN投影方法能否有效适配于函数时间序列预测，特别是在一步预测与动态更新任务中？
• RQ2 在具有复杂非线性或季节性模式的FTS预测中，曲线包络方法的性能与k-NN及基准模型（如FPCF）相比如何？
• RQ3 在不同FTS数据结构下，所提非参数方法相较于基于模型的方法（如FPCF、FAR模型）在均方误差（MSE）上的表现优势有多大？
• RQ4 在不同噪声水平与结构复杂度下（如存在随机冲击或周期性成分的FTS），方法表现如何？
• RQ5 当底层数据生成过程无法被标准参数模型良好捕捉时，无模型方法是否仍能保持高精度？

主要发现

• 在模拟中，曲线包络方法（EPU 0.25）实现了最低的均方误差（MSE），显著优于FPCF与EPF在所有测试场景下的表现。
• 在（0.8, 0.0）参数设置下，EPF表现具有竞争力，因未来曲线高度依赖于目标曲线与创新项，与该方法对近期函数相似性的依赖一致。
• 在（0.4, 0.4）设置下，FPCF与EPF的MSE差异约为0.1，相对改进不足7%，表明EPF在动态平衡条件下表现强劲。
• 在（0.2, 0.0）设置下，FTS以噪声为主导，函数平均是最优预测器，所提方法表现合理，但未显著优于均值。
• 在具有随机冲击的平稳FTS模型中，所提方法保持了较低的MSE，表明其对不规则冲击模式与非高斯噪声结构具有鲁棒性。
• 在真实数据集（日电力需求与NOx排放）上，方法表现出优越性能，持续在预测精度上超越基准模型。