Estimação de Matriz de Precisão Esparsa de Toeplitz para Previsão de Séries Temporais com Valores em Intervalos em Larga Escala

O modelamento e a previsão de séries temporais com valores em intervalos (ITS) têm atraído considerável atenção devido à sua crescente presença em vários contextos. Até onde sabemos, não houve esforços para modelar ITS em larga escala. Neste artigo, propomos um procedimento de extração de características para ITS em larga escala, que envolve etapas-chave, como auto-segmentação e agrupamento, e aprendizado de transferência de características. Este procedimento pode ser integrado de forma contínua com qualquer modelo de previsão adequado para fins de previsão. Especificamente, transformamos a segmentação automática e o agrupamento de ITS na estimação de matrizes de precisão esparsas de Toeplitz e conjunto de atribuição. O algoritmo de maximização-minimização é empregado para converter este problema de otimização altamente não convexo em dois subproblemas. Derivamos programação dinâmica eficiente e método de direção alternada para resolver esses dois subproblemas de forma alternada e estabelecer suas propriedades de convergência. Ao empregar o Gráfico de Recorrência Conjunta (JRP) para imagem de subsequência e atribuir um rótulo de classe a cada cluster, um conjunto de dados de imagem é construído. Em seguida, uma rede neural adequada é escolhida para treinar neste conjunto de dados de imagem e usada para extrair características para o próximo passo de previsão. Aplicações de dados reais demonstram que o método proposto pode obter efetivamente representações invariantes dos dados brutos e melhorar o desempenho da previsão.