Tek değişkenli zaman serilerinde gömüleme tabanlı hedef uzayda çok adımlı tahmin

Bu çalışma, tek değişkenli zaman serilerinde çok adımlı (çok ufuklu) tahmin problemini incelemektedir. Geleneksel yöntemler genellikle doğrudan veya yinelemeli yaklaşımlara dayanır; burada ikincisi her tahmin ufku için ayrı bir model eğitirken, ilki geçmiş tahminleri yaklaşan adımlar için girdi olarak kullanır. Bu soruna bir çözüm olarak yeni bir çok hedefli regresyon çerçevesi önerilmektedir. Bu yöntem, bir sonraki H zaman adımına ait tahminlerden oluşan tahmin hedef vektörünü daha düşük boyutlu, korelasyonsuz ve bilgilendirici bir hedef uzaya yansıtmak için önce bir zaman serisi gömme tekniği (örneğin, PCA ve ICA) kullanır. Bu düşük boyutlu uzay, daha sonra ters dönüştürülen ve orijinal uzaya geri çevrilen tahminleri gerçekleştirmek için kullanılır. Çok çıktılı tahmin görevlerindeki gösterdikleri performansa dayanarak, modelleme sürecinde ağaç tabanlı makine öğrenimi algoritmaları kullanılır. Bu modeller, tüm ufuklar için aynı anda tahminler üretebilir ve hedef değişkenler arasındaki karşılıklı bağımlılığı modelleyebilir, Random Forest algoritması bu görevler üzerinde gerçek çoklu hedefli görevler olarak eğitilmiştir. XGBoost, LightGBM ve CatBoost için ise çoklu çıktı regresör sarmalayıcısı kullanılmıştır. Bu, ufuk başına bir bağımsız modelin eğitilmesiyle sonuçlanmıştır. Gömme tabanlı bir hedef alanının tahmin performansını iyileştirdiği durumlar gözlenmiştir. Ancak, gömme tabanlı çoklu hedef regresyonlarının sonuçları umut verici olsa da, ağaç modelleri biçimindeki gömülü olmayan temel modeller genel olarak en güçlü modeller olmuş ve hedef alanına gömme, tüm seriler üzerinden ölçüldüğünde temel modellere göre istatistiksel olarak anlamlı iyileştirmeler sağlamamıştır.