Fast Gibbs sampling for the local and global trend Bayesian exponential smoothing model

在Smyl等人的文章《局部和全局趋势贝叶斯指数平滑模型》中，提出了一种广义指数平滑模型，能够捕捉时间序列中的强趋势和波动。该方法在许多预测任务中取得了最先进的性能，但其拟合过程基于NUTS采样器，计算成本非常高。在这项工作中，我们提出了几种修改原始模型的方法，并提出了一种专门的Gibbs采样器用于后验探索；这些改变将采样时间提高了一个数量级，从而使该模型在实际中更加实用。新模型和采样器在M3数据集上进行了评估，并显示在准确性方面与原始方法相比具有竞争力或优越性，同时运行速度大大提高。

提出了一种修改版的Bayesian exponential smoothing模型以及Gibbs采样器，旨在提高时间序列预测的效率。

通过修改原模型以及设计Gibbs采样器，将时间序列预测的计算时间从之前的非常高降低了一个数量级。

新模型和采样器在M3数据集上的表现优于原方法，同时速度更快。实验设计合理，论文开源。

最近相关研究包括Bayesian神经网络和卷积神经网络在时间序列预测中的应用。