基于SVD和ARIMA的时空序列分解与预测_杨立宁.pdfVIP

第47卷第3期计算机工程2021年3月

Vol.47No.3ComputerEngineeringMarch2021

·人工智能与模式识别·文章编号：1000-3428（2021）03-0053-09文献标志码：A中图分类号：TP301.6

基于SVD和ARIMA的时空序列分解与预测

杨立宁，李艳婷

（上海交通大学机械与动力工程学院，上海200240）

摘要：针对传统时空序列建模过程中估计空间权重矩阵时难度较高的问题，提出一种基于奇异值分解（SVD）的

时空序列分解模型ST-SVD。对原始时空序列矩阵进行平稳性检测并中心化为零均值平稳时空序列，在假设时间

和空间没有交互作用的前提下，利用SVD技术将时空序列分解为空间模式、时间模式以及模式强度的乘积，通过

ARIMA模型对平稳的时间模式进行建模并得到其预测结果，在此基础上，将时间模式的预测结果与分解得到的空

间模式相结合，利用SVD技术对真实的时空序列进行重建，得到各个空间点的最终预测结果。实验结果表明，与

ARIMA、Lasso-VAR、LSTM和STARMA模型相比，ST-SVD模型的训练时间成本降低50%以上，预测精度提升10%

以上，其在实际工程应用中能够有效完成时空序列预测任务。

关键词：时空序列预测；奇异值分解；STARMA模型；VAR模型；长短时记忆网络；基站流量

开放科学（资源服务）标志码（OSID）：

中文引用格式：杨立宁，李艳婷.基于SVD和ARIMA的时空序列分解与预测［J］.计算机工程，2021，47（3）：53-61.

英文引用格式：YANGLining，LIYanting.Spatio-temporalsequencedecompositionandpredictionbasedonSVDand

ARIMA［J］.ComputerEngineering，2021，47（3）：53-61.

Spatio-TemporalSequenceDecompositionandPrediction

BasedonSVDandARIMA

YANGLining，LIYanting

（SchoolofMechanicalEngineering，ShanghaiJiaoTongUniversity，Shanghai200240，China）

【Abstract】Toaddressthedifficultyofestimatingthespatialweightmatrixinthetraditionalspatial-temporalsequence

modelingprocess，thispaperproposesaspatial-temporalsequencedecompositionmodel，ST-SVD，basedonsingularvalue

decomposition.Theoriginalspatial-temporalsequencematrixreceivesthestationarytestandiscentralizedintoazero-mean

stationaryspatial-temporalsequence.Then，assumingthatthereisnointeractionbetweentimeandspace，thespatial-temporal

sequenceisdecomposedintotheproductofthespatialpattern，thetemporalpattern，andthepatt