[论文解读] Structured low-rank matrix completion for forecasting in time series analysis

Jonathan Gillard, Konstantin Usevich|arXiv (Cornell University)|Feb 22, 2018

Statistical and numerical algorithms参考文献 33被引用 28

一句话总结

本文提出一种基于Hankel矩阵与核范数松弛的结构化低秩矩阵补全方法，用于时间序列预测。该方法引入加权核范数优化——特别是指数加权——以提升具有指数增长或周期性分量的时间序列预测精度，表明合理的加权方案能显著优于传统方法，尤其在缺失数据较少的场景下。

ABSTRACT

In this paper we consider the low-rank matrix completion problem with specific application to forecasting in time series analysis. Briefly, the low-rank matrix completion problem is the problem of imputing missing values of a matrix under a rank constraint. We consider a matrix completion problem for Hankel matrices and a convex relaxation based on the nuclear norm. Based on new theoretical results and a number of numerical and real examples, we investigate the cases when the proposed approach can work. Our results highlight the importance of choosing a proper weighting scheme for the known observations.

研究动机与目标

• 为解决传统预测方法（如奇异谱分析，SSA）的局限性，开发一种更鲁棒的矩阵补全框架。
• 探究在时间序列预测中典型的结构化缺失数据模式下，核范数松弛在何时能准确恢复低秩Hankel矩阵。
• 通过引入自适应加权方案，提升具有非阻尼或指数增长分量的时间序列的预测性能。
• 确定Hankel矩阵窗口长度及结构参数的最优取值，以提升预测精度与稳定性。

提出的方法

• 将时间序列预测建模为低秩Hankel矩阵补全问题，通过Hankel矩阵结构嵌入时间序列。
• 采用核范数最小化作为凸松弛方法，求解NP难的低秩矩阵补全问题。
• 提出一种新颖的加权核范数公式，其中历史观测值被赋予不同权重，特别采用指数加权以处理指数增长分量。
• 推导出在核范数松弛下保证精确低秩补全的缺失值数量理论边界。
• 使用MATLAB中的CVX数值求解凸优化问题，实现实际应用。
• 在理论证明中采用QR分解与Givens旋转，建立证书矩阵Frobenius范数的边界，确保恢复条件成立。

实验结果

研究问题

• RQ1 在何种条件下，核范数松弛能对具有结构化缺失数据的Hankel矩阵实现精确低秩补全？
• RQ2 加权方案的选择——特别是指数加权——如何影响具有增长或振荡分量的时间序列的预测精度？
• RQ3 构建Hankel矩阵的最佳窗口长度是什么，以最大化预测性能？
• RQ4 能否通过数值实验进一步收紧并验证缺失值数量的理论边界？
• RQ5 所提出的加权矩阵补全方法在真实与合成时间序列中，相较于经典预测技术表现如何？

主要发现

• 对于具有非阻尼或指数增长周期分量的时间序列，当缺失值数量较小时，核范数松弛能恢复正确的低秩解，且理论边界给出了允许的最大缺失条目数。
• 在核范数公式中引入指数加权，能显著提升由指数增长分量组成的时间序列的预测精度，优于无权重方法。
• 理论分析表明，所提方法在特定条件下能保证精确恢复，尤其当时间序列为有限秩时。
• 数值实验表明，加权公式在结构化缺失数据与非平稳分量场景下，预测性能优于标准方法。
• Hankel矩阵的最佳窗口长度取决于底层时间序列结构，实证证据表明中等窗口长度在偏差与方差之间实现最佳权衡。
• 恢复证明中证书矩阵的Frobenius范数被投影算子差值所界定，确保在特定秩与数据模式下恢复条件的有效性。