Time series forecasting from partial observations via Non-negative Matrix Factorization
通过非负矩阵分解从部分观测预测时间序列AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究含噪声与缺失值的多时间序列预测，并比较多种预测方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
通过非负矩阵分解从部分观测预测时间序列
- 研究问题
- 论文研究多条非负时间序列存在缺失和噪声时，如何将缺失补全与未来预测统一处理，并恢复少量代表性非负模式。
- 方法与思路
- 作者提出滑动掩码方法，把观测与待预测值组织成矩阵，用原型向量的凸组合表示各行，并以 PALM 算法求解两类掩码分解。
- 材料陈述的贡献
- 摘要称两类估计能以与噪声成比例的误差恢复真实原型；真实数据比较中，作者报告其方法在多数实验中优于若干预测基准。
- 阅读关注点
- 应核对原型可恢复条件、掩码构造是否避免未来信息泄漏、PALM 的收敛结论，以及预测窗口、缺失机制和基准调参公平性。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未给出恢复定理条件、数据细节或各任务误差，非负性限制须关注。
原文摘要
In modern time series problems, one aims at forecasting multiple time series with possible missing and noisy values. In this paper, we introduce the Sliding Mask Method (SMM) for forecasting multiple nonnegative time series by means of nonnegative matrix completion: observed noisy values and forecast/missing values are collected into matrix form, and learning is achieved by representing its rows as a convex combination of a small number of nonnegative vectors, referred to as the archetypes. We introduce two estimates, the mask Archetypal Matrix factorization (mAMF) and the mask normalized Nonnegative Matrix Factorization (mNMF) which can be combined with the SMM method. We prove that these estimates recover the true archetypes with an error proportional to the noise. We use a proximal alternating linearized method (PALM) to compute the archetypes and the convex combination weights. We compared our estimators with state-of-the-art methods (Transformers, LSTM, SARIMAX...) in multiple time series forecasting on real data and obtain that our method outperforms them in most of the experiments.