LOESS 시계열 모델의 증분 학습

현재 시계열 데이터를 작업 중이며 LOESS / ARIMA 모델을 사용할 수 있다는 것을 알고 있습니다.

데이터는 길이가 1000 인 대기열에 벡터로 기록되며 15 분마다 업데이트됩니다.

따라서 새 데이터가 벡터를 푸시하는 동안 이전 데이터가 튀어 나옵니다.

스케줄러에서 전체 모델을 다시 실행할 수 있습니다. 예를 들어 15 분마다 모델을 다시 학습하십시오. 즉, 1000 개의 전체 값을 사용하여 LOESS 모델을 학습하십시오. 그러나 하나의 값만 삽입 할 때마다 다른 999 개의 vlaues로 인해 매우 비효율적입니다. 지난번과 동일합니다.

어떻게 더 나은 성능을 얻을 수 있습니까?

많은 감사

이것을 좀 더 친숙한 것으로 재구성하겠습니다. ARIMA는 아날로그 -PID 근사치입니다. 나는 필수입니다. MA는 P입니다. AR은 D 항인 차분 방정식으로 표현할 수 있습니다. LOESS는 아날로그에서 최소 제곱 피팅 (실제로 하이테크 형)입니다.

따라서 2 차 모델 (PID)을 개선하려면 어떻게해야합니까?

• 먼저 Kalman Filter를 사용하여 하나의 새로운 정보로 모델을 업데이트 할 수있었습니다.
• 또한 "그라데이션 부스트 트리"라는 것을 볼 수도 있습니다. 이들의 아날로그를 사용하여 입력이 모두 첫 번째로 공급되는 원시 입력이며 첫 번째의 오류로 보강 된 두 번째 ARIMA 모델을 만듭니다.
• 여러 모드에 대한 PDF 오류를 검토하는 것이 좋습니다. 오류를 군집화 할 수 있다면 모델을 분할하거나 혼합 모델을 사용하여 입력을 하위 모델로 분리 할 수 ​​있습니다. 하위 모델은 단일 대형 모델보다 로컬 현상학을 더 잘 처리 할 수 ​​있습니다.

내가 묻지 못한 질문 중 하나는 "성능은 무엇을 의미합니까?"입니다. 우리가 명확하게 선한 선한 척도를 가지고 있지 않다면, 후보 방법이 "개선"되는지 알 수있는 방법이 없습니다. 더 나은 모델링, 더 짧은 계산 시간 및보다 효율적인 정보 사용을 원하는 것 같습니다. 실제 데이터에 대해 천성이 있으면이를 알 수 있습니다. 바람을 모델링하는 경우 기능 보강 모델을 찾을 위치를 알거나 유용한 데이터 변환을 찾을 수 있습니다.

이것은 황토 또는 ARIMA 모델을 사용하는지에 따라 다른 질문입니다. ARIMA 사례에서 아마도 좋은 시작 값을 갖는 것 외에는 효율성이 거의 없을 것으로 생각되기 때문에 지금까지 황토 문제에 답할 것입니다.

황토 모형은 가중치 회귀를 데이터의 다른 하위 집합에 맞추는 방식으로 작동합니다. 각 적합에 대해 일정 비율의 데이터 만 사용됩니다. 따라서 한쪽 끝에서 하나의 데이터 점을 제거하고 반대쪽 끝에 다른 점을 추가 한 모형을 다시 맞출 때마다 기술적으로 첫 번째 점과 마지막 점을 사용하는 국소 회귀 만 적합하면됩니다. 사이의 모든 국소 회귀는 동일합니다. 이 영향을받지 않은 로컬 회귀 분석의 수는 황토의 스무딩 매개 변수에 따라 다릅니다.

모델에 맞추기 위해 사용중인 모든 패키지를 해킹하여 이전 피팅에서 대부분의 로컬 회귀 분석을 수행 할 수 있으며 데이터의 시작과 끝에 필요한 패키지 만 적합 할 수 있습니다.

그러나 추가 프로그래밍 시간의 비용이 15 분마다 처음부터 모델을 처음부터 맞추는 컴퓨터 시간의 비용보다 실질적으로 적은 경우에만 이것이 가치가있는 것처럼 보입니다. 1000 개의 데이터 포인트 만 있으면 매번 처음부터 모델을 맞추는 것이 그리 큰 일이 아닙니다.