A clustering approach to time series forecasting using neural networks: A comparative study on distance-based vs. feature-based clustering methods
Jet Propulsion Laboratory（喷气推进实验室）
时间序列预测最近得到了很多关注，这是因为许多现实世界的现象可以建模为时间序列。大量的数据和计算机处理能力的最新进展使研究人员能够开发更复杂的机器学习算法，如神经网络来预测时间序列数据。在本文中，我们提出了各种神经网络架构来预测的时间序列数据使用的动态测量，此外，我们介绍了各种架构如何结合静态和动态测量预测。我们还调查了执行技术，如异常检测和聚类预测精度的重要性。我们的研究结果表明，聚类可以提高整体的预测时间，以及提高神经网络的预测性能。此外，我们表明，基于特征的聚类可以优于基于距离的聚类的速度和效率。最后，我们的研究结果表明，增加更多的预测因子来预测目标变量并不一定会提高预测精度。
2021-03-31 cs.LG stat.ML
Decentralized Flood Forecasting Using Deep Neural Networks
University of Iowa（爱荷华大学）
在极端风暴发生时预测任何地点的洪水是一个长期存在的问题，在应急管理中至关重要。传统的河流水位预测方法使用先进的水文模型，但仍然无法给出准确的预报。本研究旨在探讨人工深层神经网络在洪水预测上的效能。在提供可用于预测河流水位的模型的同时，本文提出了一个数据集，该数据集侧重于河网上数据点的连通性。它还表明，神经网络可以在洪水事件的时间序列预测非常有帮助，并支持通过数据同化改进现有的模型。
2019-06-21 cs.LG stat.ML
Pattern Similarity-based Machine Learning Methods for Mid-term Load Forecasting: A Comparative Study
Częstochowa University of Technology（琴希托霍瓦工业大学）
基于模式相似性的方法被广泛应用于分类和回归问题。在季节性时间序列中观察到的重复的、形状相似的周期鼓励人们应用这些方法进行预测。在本文中，我们使用模式相似性为基础的方法来预测月度电力需求表示年度季节性。模型的一个组成部分是使用时间序列模式的时间序列表示。模式表示通过趋势滤波和方差均衡保证了输入和输出数据的统一。因此，模式表示简化了预测问题，并允许我们使用基于模式相似性的模型。我们考虑了四个这样的模型：最近邻模型，模糊邻域模型，核回归模型和一般回归神经网络。通过聚合输出模式构建回归函数，其中权重取决于输入模式之间的相似性。所提出的模型的优点是：清晰的操作原理，少量的参数调整，快速优化过程，良好的泛化能力，工作在最新的数据没有再训练，鲁棒性丢失的输入变量，并生成一个向量作为输出。在实验部分的工作，所提出的模型被用来预测35个欧洲国家的月度需求。将模型性能与ARIMA、指数平滑等经典模型以及多层感知器、神经模糊系统、长短期记忆模型进行了比较。结果表明，所提出的模型的高性能优于比较模型的准确性，简单性和易于优化。
2020-03-03 cs.LG stat.ML
To aggregate or not to aggregate: Forecasting of finite autocorrelated demand
时间聚合是一种直观的吸引力的方法来处理需求的不确定性。有两种类型的时间聚合：非重叠和重叠。到目前为止，大多数供应链预测文献都集中在前者，没有研究分析后者的自相关需求。此外，大多数的分析研究，以日期假设无限的需求序列的长度，而在实践中，预测是基于有限的需求历史。需求历史的长度是两种方法的比较性能的一个重要决定因素，但在文献中没有得到足够的重视。在本文中，我们研究的有效性时间聚集预测有限的自相关需求。我们这样做是通过分析研究的预测精度的聚集和非聚集的方法的基础上均方误差。我们补充这与数值分析，探讨需求参数和长度的系列（比较）性能的影响。我们还进行了实证评估，以验证分析结果使用每月时间序列的M4竞争数据集。我们发现自相关的程度，预测范围和长度的系列预测精度的重要决定因素。我们讨论了每种方法的优点，并强调其对现实世界的做法的影响。
2021-03-30 stat.AP
A Comparative Study on Basic Elements of Deep Learning Models for Spatial-Temporal Traffic Forecasting
Korea Advanced Institute of Science and Technology（韩国高等科学技术院）
交通预测在智能交通系统中起着至关重要的作用。交通网络的时空复杂性使得该问题特别具有挑战性。最近提出的深度学习模型共享基本元素，例如图卷积、图注意力、递归单元和/或注意力机制。在这项研究中，我们设计了一个深入的比较研究四个深度神经网络模型，利用不同的基本元素。对于基本模型，从以前的文献中选择了一个基于RNN的模型和一个基于注意力的模型。然后，在模型中的空间特征提取层取代图卷积和图形注意。为了分析每个元素在各种环境中的性能，我们对四个真实世界的数据集进行了实验-高速公路速度，高速公路流量，来自同质道路连接网络的城市速度，以及来自异构道路连接网络的城市速度。结果表明，基于RNN的模型和基于注意力的模型在短期预测方面表现出相似的性能水平，而基于注意力的模型在长期预测方面优于RNN。图卷积和图注意力的选择在基于RNN的模型中产生了较大的差异。此外，我们的修改版本的GMAN显示与原来的性能具有更少的内存消耗。
2022-03-22 cs.LG stat.ML
Forecasting the COVID-19 vaccine uptake rate: An infodemiological study in the US
在中国首次爆发COVID-19疫情一年后，许多国家已经批准了紧急疫苗。公共卫生从业者和政策制定者必须了解预期的人群疫苗意愿，并实施相关刺激措施。这项研究开发了一个框架，用于预测疫苗接种率的基础上，传统的临床数据，涉及自回归模型与自回归综合移动平均（ARIMA）和创新的网络搜索查询，涉及线性回归与普通最小二乘/最小绝对收缩和选择算子，以及机器学习与升压和随机森林。为了准确起见，我们对临床数据和网络搜索查询实施了堆叠回归。临床数据的ARIMA（1，0，8）堆叠回归和网络数据的支持向量机增强形成了预测美国疫苗接种速度的最佳模型。叠加回归提供了更准确的预测。这些结果可以帮助政府和政策制定者预测疫苗需求并为相关计划提供资金。
2021-12-09 econ.EM stat.AP
Comparative Analysis of Spatiotemporal Volatility Models: An Empirical Study on Financial Network Series
University of Glasgow（格拉斯哥大学）；European University Viadrina（欧洲维拉纳大学）
本文通过实证研究比较了多种时空波动模型在金融网络序列中的预测性能，发现动态时空ARCH模型在预测精度和计算成本方面表现优异。
2026-03-02 stat.AP
Machine Learning and ARIMA Model Averaging for Adaptive Public Health Forecasting: Comparative Evaluation and an Ontario COVID-19 Case Study
Public Health Ontario（安大略省公共卫生局）；Dalla Lana School of Public Health, University of Toronto（多伦多大学达拉·拉纳公共卫生学院）；University of Toronto（多伦多大学）；York University（约克大学）
本研究评估ARIMA、随机森林、XGBoost模型，提出MLAMA集成方法，基于安大略省COVID-19数据验证其预测性能更优，支持按操作条件选择预测模型。
2026-09-01 cs.LG stat.AP
Analyzing the State of COVID-19: Real-time Visual Data Analysis, Short-Term Forecasting, and Risk Factor Identification
COVID-19疫情最初于中国武汉报告，并于二零二零年一月三十日被世卫组织宣布为国际关注的突发公共卫生事件（PHEIC）。目前，它已蔓延到180多个国家，并逐步演变为世界性大流行病，危及全球公共卫生状况，成为对国际社会的严重威胁。为对抗及预防疾病传播，所有人均应充分了解COVID-19的迅速变化状况。为了实现这一目标，我建立了一个网站来分析和提供疾病的最新状态和相关的分析见解。该网站旨在迎合普通受众，旨在通过各种简单明了的数据可视化来传达见解，这些可视化由合理的统计方法，准确的数据建模，最先进的自然语言处理技术和可靠的数据源提供支持。本文讨论了用于生成网站上显示的见解的主要方法，其中包括自动数据摄取管道，归一化技术，移动平均计算，ARIMA时间序列预测和逻辑斯谛回归模型。此外，该论文重点介绍了使用该方法得出的关于COVID-19的关键发现。
2021-05-03 physics.soc-ph stat.AP
Forecasting COVID-19 daily cases using phone call data
随着疫情的发展，预测COVID-19相关变量的需求仍然迫切。已经做出了不同的努力，流行病学中的房室模型和统计模型，例如自回归积分移动平均（ARIMA）、指数平滑（ETS）或计算智能模型。在某些情况下，这些努力证明是有用的，使决策者能够在紧急情况下区分不同的情况，但其准确性令人失望，预测忽略了不确定性，对当地的关注较少。在这项研究中，我们提出了一个简单的多元线性回归模型，优化使用呼叫数据来预测每日确诊病例数。此外，我们还提供了一个概率预测，使决策者能够更好地处理风险。我们提出的方法优于ARIMA，ETS和回归模型没有调用数据，评估三个点的预测误差指标，一个预测区间和两个概率预测精度的措施。该模型的简单性，可解释性和可靠性，在一个仔细的预测工作，是一个有意义的贡献，决策者在地方一级谁迫切需要组织资源已经紧张的卫生服务。我们希望，这一模型将成为其他预测工作的基石，一方面将帮助地方一级的一线个人和决策者，另一方面将促进与国家一级正在进行的其他建模工作的沟通，以改善我们应对这一流行病和其他类似未来挑战的方式。
2020-10-05 cs.CY stat.AP
XGBoost meets INLA: a two-stage spatio-temporal forecasting of wildfires in Portugal
University of Glasgow（格拉斯哥大学）；University of St Andrews（圣安德鲁斯大学）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；Universidade de Lisboa（里斯本大学）；NOVA School of Science and Technology（新理工科学和技术学院）
本文提出一种两阶段集成模型，结合INLA和XGBoost，用于预测葡萄牙野火发生和烧毁面积，通过环境变量和历史火灾记录生成点预测，并利用隐性高斯模型生成概率预测。
2026-03-18 stat.AP
Predicting NVIDIA's Next-Day Stock Price: A Comparative Analysis of LSTM, MLP, ARIMA, and ARIMA-GARCH Models
Indiana University Bloomington（印第安纳大学伯明顿分校）；Baylor University（贝勒大学）；Northeastern University（东北大学）
本研究针对金融市场股价预测难题，选取AI领域核心企业NVIDIA为对象，将通过LSTM、MLP、ARIMA及ARIMA-GARCH模型的比较分析，开展次日股价预测研究。
2024-05-14 cs.LG econ.EM stat.AP
Nowcasting of COVID-19 confirmed cases: Foundations, trends, and challenges
2019冠状病毒病（COVID-19）已成为国际关注的突发公共卫生事件，影响全球200多个国家和地区。截至2020年9月30日，它已导致大流行爆发，全球确诊感染人数超过3300万，报告死亡人数超过100万。几种统计、机器学习和混合模型此前曾试图预测受影响严重的国家的COVID-19确诊病例。由于时间序列数据的极端不确定性和非平稳性，COVID-19确诊病例的预测已成为一项极具挑战性的工作。对于单变量时间序列预测，文献中有各种统计和机器学习模型。但是，流行病预测有一个可疑的记录。由于数据输入不足、建模假设存在缺陷、估计值敏感性高、没有纳入流行病学特征、现有干预措施效果的过去证据不足、缺乏透明度、错误、缺乏确定性以及缺乏关键学科的专业知识，其失败变得更加突出。本章重点评估可预测各国每日COVID-19病例的不同短期预测模型。本章以预测准确性的实证研究的形式，提供证据表明，目前还没有一种通用的方法可以准确地预测大流行数据。尽管如此，预测者的预测对于医疗资源的有效分配是有用的，并将作为政府决策者的早期预警系统。
2020-10-10 q-bio.PE stat.AP
A Comparative Analysis of Forecasting Financial Time Series Using ARIMA, LSTM, and BiLSTM
Texas Tech University（德克萨斯理工大学）；Georgia Institute of Technology（佐治亚理工学院）
基于机器和深度学习的算法是解决时间序列预测问题的新兴方法。这些技术已被证明比传统的基于回归的建模产生更准确的结果。据报道，具有记忆的人工递归神经网络（RNN），如长短期记忆（LSTM），与自回归积分移动平均（ARIMA）相比，具有较大的裕度。基于LSTM的模型包含额外的“门”，用于存储较长序列的输入数据。主要的问题是，LSTM架构中包含的门是否已经提供了良好的预测，以及是否需要额外的数据训练来进一步改善预测。双向LSTM（BiLSTM）通过遍历输入数据两次（即，1)从左到右，以及2）从右到左）。感兴趣的研究问题是，具有额外训练能力的BiLSTM是否优于常规的单向LSTM。本文报告了BiLSTM和LSTM模型的行为分析和比较。我们的目标是探索在多大程度上额外的数据训练层将有利于调整所涉及的参数。结果表明，额外的数据训练和基于BiLSTM的建模比常规的基于LSTM的模型提供了更好的预测。更具体地说，观察到BiLSTM模型提供了比ARIMA和LSTM模型更好的预测。BiLSTM模型达到平衡的速度比基于LSTM的模型慢得多。
2019-11-21 cs.CE cs.LG cs.PF
Empirical Quantitative Analysis of COVID-19 Forecasting Models
University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校）；Northwestern University Feinberg School of Medicine（西北大学范伯格医学院）
2019冠状病毒病自二零二零年初以来一直是国际关注的突发公共卫生事件。可靠的预测对减少这一疾病的影响至关重要。迄今为止，已经提出了大量不同的预测模型，主要包括统计模型、分区模型和深度学习模型。然而，由于不同地区的经济和政府政策等各种不确定因素，没有一种预测模型似乎对所有情况都是最好的。本文定量分析了美国不同地区在不同预测期内对COVID-19确诊病例和死亡病例的预测，并通过不同的评估指标评估了以下三个维度（改进和变化）对预测性能的相对影响：模型选择，超参数调整和训练所需的时间序列长度。我们发现，如果一个维度带来了更高的性能增益，如果没有很好地调整，它也可能导致更严厉的性能处罚。此外，模型选择是决定预测性能的主导因素。在不同地区的所有预测任务中，它负责最大的改进和最大的性能变化。虽然从业者在实践中可能会执行更复杂的时间序列分析，但如果他们对模型选择等关键决策有足够的洞察力，他们应该能够获得合理的结果。
2021-10-01 cs.LG stat.ML
Analyzing the Impact of Climate Change With Major Emphasis on Pollution: A Comparative Study of ML and Statistical Models in Time Series Data
Golisano College of Computing and Information Sciences, Rochester Institute of Technology（罗切斯特理工大学戈利斯ano计算与信息科学学院）
本研究比较了机器学习与统计模型在时间序列数据上的表现，旨在通过分析工业增长对气候的影响，预测并减轻环境污染。
2024-05-24 cs.AI stat.AP stat.ML
A Spatio-Temporal Spot-Forecasting Framework for Urban Traffic Prediction
Artificial Intelligence Department Universidad Nacional de Educación a Distancia — UNED（西班牙马德里国立远程教育大学（UNED）人工智能系）
时空预测是一个开放的研究领域，其兴趣呈指数增长。在这项工作中，我们专注于为时空交通预测创建一个复杂的深度神经框架，该框架具有相对非常好的性能，并且显示出在几种时空条件下的适应性，同时保持易于理解和解释。我们的建议是基于一个可解释的注意力为基础的神经网络，其中几个模块相结合，以捕捉关键的时空时间序列组件。通过大量的实验，我们展示了我们的方法的结果是如何稳定的，比其他国家的最先进的替代品。
2020-04-01 cs.LG eess.SP stat.ML
Forecasting with Multiple Seasonality
University of Minnesota Twin Cities（明尼苏达大学双城分校）
一个新兴的现代应用涉及预测时间序列数据，表现出短期动态和长期的季节性。具体而言，具有多个季节性的时间序列是一项困难的任务，讨论相对较少。在本文中，我们提出了一个两阶段的方法，时间序列的多个季节性，它不需要预先确定的季节周期。在第一阶段，我们推广了经典的季节自回归移动平均（ARMA）模型在多季节性制度。在第二阶段，我们利用一个适当的标准，滞后顺序选择。模拟和实证研究表明，我们的方法具有良好的预测性能，特别是与最近流行的“Facebook先知”模型的时间序列。
2020-08-27 cs.LG stat.ML
A Comparison of LSTMs and Attention Mechanisms for Forecasting Financial Time Series
University of Toronto（多伦多大学）
虽然LSTM在预测金融时间序列（FTS）方面显示出越来越有前途的结果，但本文试图评估注意力机制是否可以进一步提高性能。假设注意力可以帮助防止LSTM模型经历的长期依赖性。为了验证这一假设，本文的主要贡献是实现了一个带注意力的LSTM。比较了基准LSTM和带注意力的LSTM，两者都在Kaggle的Two Sigma数据集的五只股票上实现了高达60%的合理表现。这种比较分析表明，具有注意力的LSTM确实可以优于独立的LSTM，但需要进一步的研究，因为这种模型架构确实会出现问题。
2018-12-18 cs.LG stat.ML
Forecasting mortality associated emergency department crowding
Faculty of Medicine and Health Technology, Tampere University（坦佩雷大学医学与健康技术学院）；Emergency Department, Tampere University Hospital（坦佩雷大学医院急诊科）；Kanta-Häme Central Hospital（坎塔-海梅中心医院）；Faculty of Information Technology and Communication Sciences, Tampere University（坦佩雷大学信息技术与传播科学学院）；Centre for Vascular Surgery and Interventional Radiology, Tampere University Hospital（坦佩雷大学医院血管外科与介入放射中心）
本研究针对急诊科拥挤导致的死亡率增加问题，利用北欧大型急诊科回顾性数据，通过LightGBM模型预测与高占用率相关的危机时期，证明使用匿名行政数据提前预测死亡率相关拥挤是可行的。
2024-10-10 cs.AI cs.LG stat.AP
Towards Accurate Predictions and Causal 'What-if' Analyses for Planning and Policy-making: A Case Study in Emergency Medical Services Demand
Monash University（莫纳什大学）；Turning Point, Eastern Health Clinical School, Monash University（莫纳什大学东方健康临床学院Turning Point）
紧急医疗服务（EMS）的需求量已经成为许多政府当局的一个相当大的负担，EMS需求往往是社区压力的早期指标，是新出现问题的警告信号。在本文中，我们介绍了深度规划和决策网络（DeepPPMNet），一个基于长短期记忆网络的全球预测和推理框架来预测EMS需求，分析因果关系，并执行“假设”分析，为跨多个地方政府领域的政策制定。除了传统的单变量预测技术，所提出的方法遵循全球预测方法，其中模型在所有可用的EMS需求时间序列中进行训练，以利用可用的潜在交叉序列信息。DeepPPMNet还使用季节分解技术，将两种不同的训练范式纳入框架中，以适应EMS相关时间序列数据的各种特征。然后，我们探索因果关系使用格兰杰因果关系的概念，全球预测框架使我们能够执行“如果”的分析，可用于国家政策制定过程。我们经验性地评估我们的方法，使用一组EMS数据集相关的酒精，药物使用和自我伤害在澳大利亚。所提出的框架是能够超越许多国家的最先进的技术，并取得竞争力的结果，在预测精度。最后，我们说明了它的使用政策制定的一个例子，酒精出口许可证。
2020-04-25 cs.AI cs.LG stat.AP
Simple yet effective: a comparative study of statistical models for yearly hurricane forecasting
本文研究预测次年大西洋飓风数量，比较了机器学习与简单统计模型，发现分位数回归模型预测精度最佳，并构建了预测飓风数量方向的新指数。
2024-11-17 stat.AP
A Comparative Study on Forecasting of Retail Sales
University of New Mexico（新墨西哥大学）；Marquette University（马凯特大学）
预测大型零售公司的产品销售是一项具有挑战性的任务，要考虑到趋势、季节性、事件以及未知因素（如市场竞争、客户偏好变化或不可预见事件，例如，2019冠状病毒病爆发。在本文中，我们对沃尔玛的历史销售数据进行基准预测模型，以预测其未来的销售额。我们提供了一个全面的理论概述和最先进的时间序列预测模型的分析。然后，我们将这些模型应用于预测挑战数据集（Kaggle的M5预测）。具体而言，我们使用传统模型，即ARIMA（自回归综合移动平均），以及最近开发的先进模型，例如，Facebook开发的Prophet模型，微软开发的Light梯度提升机（LightGBM）模型，并对它们的性能进行基准测试。结果表明，ARIMA模型优于Facebook Prophet和LightGBM模型，而LightGBM模型在预测精度方面的损失可以忽略不计，但在大数据集上实现了巨大的计算增益。
2022-03-14 cs.LG q-fin.ST stat.AP
AI and physics-based weather forecasting: A comparative study
University of Debrecen（德布勒森大学）
本研究系统比较了ECMWF的物理模型IFS与AI模型AIFS在中期10米风速集合预报中的表现，发现原始IFS预报显著优于AIFS，但后处理可大幅缩小差距。
2026-06-01 stat.AP
Elicitability and backtesting: Perspectives for banking regulation
风险度量的条件预测在金融机构的内部风险管理以及监管资本计算中起着重要作用。为了评估风险度量程序的预测性能，将风险度量预测与一段时间内已实现的财务损失进行比较，并对程序的正确性进行统计测试。这个过程被称为回溯测试。这种传统的回测涉及评估一组风险度量估计的某些最优性属性。然而，它们不适合比较不同的风险估计程序。我们调查的建议，比较回测，这是更好地适合方法比较的基础上的预测精度，但需要一个elicitable风险措施。我们认为，补充传统的回测与比较回测，将提高现有的交易账簿监管框架的银行提供正确的激励，风险度量预测的准确性。此外，银行内部以及研究人员可以使用比较回溯测试框架来指导预测方法的选择。重点讨论了风险价值、预期损失和预期损失三种风险度量方法，并进行了模拟研究和数据分析。
2017-02-21 q-fin.RM stat.AP
Mortality Forecasting with Generalized Additive Mixed Models
本研究提出引入协变量$k_t$的新型广义加性混合模型（GAMM）用于死亡率建模预测，经HMD数据验证其拟合与预测效果均优于LL模型，可作为可靠的人口预测工具。
2025-11-16 stat.AP
