摘要

本文介绍了一种名为StoIC的新型概率神经多元时间序列模型，该模型通过利用时间序列之间的随机相关性来学习时间序列之间的潜在结构，并提供准确且校准良好的预测。StoIC模型在多个基准数据集上展示了其优越性，提供了约16%更准确的预测和14%更好的校准性能。此外，StoIC模型在处理数据中的噪声时表现出更好的适应性，并能捕捉到各种基准测试中的重要和有用关系信息。

原理

StoIC模型的核心在于其能够同时学习时间序列的结构和不确定性。模型通过概率时间序列编码器（PTE）捕捉每个时间序列的复杂时间模式及其不确定性，然后利用图生成模块（GGM）基于这些编码生成一个关系图。接着，循环图神经编码器（RGNE）结合图信息和时间信息，进一步细化每个时间序列的编码。最后，模型通过参考相关网络（RCN）和自适应分布解码器，利用历史数据和图细化嵌入来参数化输出分布，从而实现准确且校准良好的预测。

流程

StoIC的工作流程可以概括为以下几个步骤：

1. 输入时间序列值通过概率时间序列编码器（PTE）进行编码，生成每个时间序列的潜在嵌入，这些嵌入捕捉了时间序列的模式和不确定性。
2. 利用图生成模块（GGM）基于这些潜在嵌入生成一个随机关系图（SRG），该图模型了所有时间序列之间的相似性。
3. 循环图神经编码器（RGNE）结合SRG中的关系信息和时间信息，进一步细化每个时间序列的编码。
4. 参考相关网络（RCN）提取过去数据中的相似模式，生成参考嵌入。
5. 最后，自适应分布解码器利用图细化嵌入和RCN嵌入来参数化预测分布，生成准确且校准良好的预测。

应用

StoIC模型在多个领域具有广泛的应用前景，包括但不限于流行病预测、股票市场分析、电力消耗预测和交通速度预测等。由于其能够处理不确定性并适应数据中的噪声，StoIC模型特别适合于需要高精度预测和良好校准的复杂系统预测任务。