本文提出了一种新的非线性时间序列数据降维方法——稀疏局部线性和邻域嵌入法(Sparse Locally Linear and Neighbor Embedding, SLLNE)，有效捕捉数据的内在结构和动态特性。
提交的内容包括稀疏编码程序以及支持向量回归和支持向量机中的装袋树程序，并引用了论文《用于非线性时间序列预测的稀疏局部线性和相邻嵌入》中使用的16个数据集，作者为Waleed Fakhr，发表于ICCES 2015年会议。
该文提出了一种基于字典的L1范数稀疏编码方法，专门用于时间序列预测。这种方法无需训练阶段且参数调整最少，适用于非平稳和在线应用中的预测任务。在预测过程中，每个测试向量通过基础追求L1范数问题来估计一组稀疏权重，并尝试约束稀疏编码公式，包括了稀疏局部线性嵌入及最近邻嵌入。
为了验证该方法的有效性，在包含16个时间序列数据集的离线试验中进行了实验。这些数据集中训练样本是固定的。所提出的方法与装袋树（Bagging Tree, BT）、最小二乘支持向量回归(LSSVM)和正则化自回归模型(AR)进行了比较，结果显示该稀疏编码预测方法在10倍交叉验证下优于LSSVM，并且显著超过了其它两种模型的性能。
5星
