यह शोधपत्र उच्च-आयामी भविष्यवक्ताओं का उपयोग करके समय श्रृंखला पूर्वानुमान में सुधार हेतु आयाम न्यूनीकरण समस्या का अध्ययन करता है। हम एक नवीन पर्यवेक्षित गहन गतिशील प्रमुख घटक विश्लेषण (SDDP) ढाँचा प्रस्तावित करते हैं जो लक्ष्य चरों और विलंबित प्रेक्षणों को कारक निष्कर्षण प्रक्रिया में एकीकृत करता है। हम एक टेम्पोरल न्यूरल नेटवर्क का उपयोग करके मूल भविष्यवक्ताओं के आकार का पर्यवेक्षण करके लक्ष्य-सजग भविष्यवक्ताओं का निर्माण करते हैं, और प्रबल भविष्यसूचक क्षमता वाले भविष्यवक्ताओं को अधिक भार प्रदान करते हैं। फिर हम अनुमानित SDDP कारक निकालने के लिए लक्ष्य-सजग भविष्यवक्ताओं पर PCA करते हैं। यह पर्यवेक्षित कारक निष्कर्षण न केवल बाद के पूर्वानुमान कार्यों की पूर्वानुमान सटीकता में सुधार करता है, बल्कि अधिक व्याख्या योग्य और लक्ष्य-विशिष्ट अव्यक्त कारक भी उत्पन्न करता है। SDDP पर आधारित, हम एक कारक-संवर्धित अरैखिक गतिशील पूर्वानुमान मॉडल प्रस्तावित करते हैं जो कारक मॉडल-आधारित पूर्वानुमान दृष्टिकोणों की एक विस्तृत श्रृंखला को एकीकृत करता है। SDDP की व्यापक प्रयोज्यता को और अधिक प्रदर्शित करने के लिए, हम अपने शोध को अधिक चुनौतीपूर्ण परिदृश्यों तक विस्तारित करते हैं जहाँ भविष्यवक्ता केवल आंशिक रूप से प्रेक्षणीय होते हैं। हम कई वास्तविक-विश्व सार्वजनिक डेटासेट पर प्रस्तावित विधि के प्रदर्शन का अनुभवजन्य सत्यापन करते हैं। परिणाम दर्शाते हैं कि प्रस्तावित एल्गोरिथम अत्याधुनिक विधियों की तुलना में पूर्वानुमान सटीकता में महत्वपूर्ण सुधार करता है।
