[论文解读] Prediction of functional ARMA processes with an application to traffic data

Johannes Klepsch, Claudia Klüppelberg+1 more|arXiv (Cornell University)|Mar 7, 2016

Fault Detection and Control Systems参考文献 21被引用 15

一句话总结

本文提出了一种计算上可行的函数 ARMA(p,q) 过程预测方法，通过函数主成分分析（FPCA）将函数数据投影到有限维子空间，从而可使用向量 ARMA 模型进行预测。关键贡献在于理论界 bounds 显示，函数最优线性预测器与向量模型预测器之间的差异随着主成分数量的增加而减小，并在真实高速公路交通速度数据上通过向量 MA(1) 模型（d=4 个分量）验证了更高的预测精度。

ABSTRACT

This work is devoted to functional ARMA$(p, q)$ processes and approximating vector models based on functional PCA in the context of prediction. After deriving sufficient conditions for the existence of a stationary solution to both the functional and the vector model equations, the structure of the approximating vector model is investigated. The stationary vector process is used to predict the functional process. A bound for the difference between vector and functional best linear predictor is derived. The paper concludes by applying functional ARMA processes for the modeling and prediction of highway traffic data.

研究动机与目标

• 开发一种适用于函数 ARMA(p,q) 过程的实用预测方法，因其无限维结构而难以解析求解。
• 建立函数和投影后的向量 ARMA 模型中平稳解存在的充分条件。
• 量化函数最优线性预测器与从有限维向量模型导出的预测器之间的近似误差。
• 将该方法应用于真实世界高速公路交通速度数据，展示其在短期预测中的性能提升。
• 提供一种简洁且可实现的框架，使用标准 R 包（fda, mts）进行函数时间序列分析。

提出的方法

• 使用函数主成分分析（FPCA）将高维函数数据投影到协方差算子前 d 个最重要特征函数张成的线性子空间上。
• 推导投影过程服从向量 ARMA(p,q) 模型的条件，确保平稳性与因果性表示。
• 应用 Durbin-Levinson 或 Innovations 算法，通过迭代方式计算向量模型的最佳线性预测器。
• 通过主成分基变换将向量预测结果重构回函数空间，得到函数预测器。
• 建立函数最优线性预测器与向量模型预测器之间差异的理论界 bounds，表明当 d → ∞ 时该差异收敛于零。
• 通过预测误差的交叉验证选择最优模型阶数 (p,q) 和维度 d，使用 RMSE 和 MAE 指标进行验证。

实验结果

研究问题

• RQ1 在何种条件下，函数 ARMA(p,q) 过程存在唯一的平稳且因果的解？
• RQ2 当函数 ARMA(p,q) 过程投影到前 d 个主成分上时，何时恰好为向量 ARMA(p,q) 过程？
• RQ3 向量模型预测器的预测误差与函数最优线性预测器相比如何？该差异是否可被界定？
• RQ4 预测交通速度函数时，最优主成分数量 d 和模型阶数 (p,q) 是什么？
• RQ5 所提出的方法是否在函数时间序列预测中显著优于标准非参数预测技术（如指数平滑或朴素预测）？

主要发现

• 在自回归与移动平均算子的谱半径满足充分条件时，函数 ARMA(p,q) 过程存在唯一的平稳且因果解。
• 若协方差算子的特征函数在函数 ARMA 算子作用下保持不变，则投影后的向量过程恰好为向量 ARMA(p,q) 模型。
• 对于函数 MA(1) 过程，投影后的向量过程自动为向量 MA(1) 过程，保持模型结构不变。
• 随着主成分数量 d 增加，函数最优线性预测器与向量模型预测器之间的差异收敛于零。
• 在交通数据中，通过交叉验证确定最优模型为 d=4 个主成分的向量 MA(1) 模型，实现最小的 1 步预测误差（RMSE = 4.83，MAE = 3.54）。
• 所提出的方法在 RMSE 和 MAE 指标上显著优于标准非参数方法，如指数平滑、朴素预测和基于均值的预测。