统计>方法
标题: fETSmcs:基于特征的ETS模型组件选择
摘要: 成熟的ETS(ExponenTrial Smoothing or Error,Trend,Seasonality)方法在状态空间表示中结合了一系列指数平滑模型,已广泛用于自动预测。 现有的ETS方法使用信息准则进行模型选择,在拟合给定时间序列的所有模型中选择信息准则最小的最优模型。 这种模型选择方案下的ETS方法在应用于大规模时间序列数据时存在计算复杂性。 为了解决这个问题,我们提出了一种有效的ETS模型选择方法,通过在模拟数据上训练分类器来预测给定时间序列的适当模型组成形式。 我们提供了一个仿真研究,以证明该方法在模拟数据上的模型选择能力。 我们在广泛使用的预测竞争数据集M4上,从点预测和预测区间两方面评估了我们的方法。 为了证明我们方法的实用价值,我们在每月医院数据集上展示了我们方法的性能改进。