Graph Neural Network for Traffic Forecasting: A Survey
Tsinghua University（清华大学）；Nanyang Technological University（南洋理工大学）
交通预测是智能交通系统成功的关键。深度学习模型，包括卷积神经网络和递归神经网络，已被广泛应用于交通预测问题中，以对空间和时间依赖性进行建模。近年来，为了对交通系统中的图结构以及上下文信息进行建模，已经引入了图神经网络，并且在一系列交通预测问题中取得了最先进的性能。在本调查中，我们回顾了使用不同图神经网络（例如图卷积和图注意力网络）在各种交通预测问题（例如道路交通流量和速度预测、城市轨道交通系统中的客流预测以及乘车平台中的需求预测）中快速增长的研究主体。我们还为每个问题提供了一个全面的开放数据和源资源列表，并确定了未来的研究方向。据我们所知，本文是第一个全面的调查，探讨应用图神经网络的交通预测问题。我们还创建了一个公共GitHub存储库，其中将更新最新的论文，开放数据和源资源。
2022-02-22 cs.AI cs.LG
Probabilistic Time Series Forecasting with Implicit Quantile Networks
Zalando SE（扎兰多股份公司）
在这里，我们提出了一个一般性的概率时间序列预测方法。我们将自回归递归神经网络与隐式分位数网络相结合来模拟时间动态，以学习时间序列目标上的一大类分布。当与真实和模拟数据的其他概率神经预测模型相比时，我们的方法在逐点预测精度以及估计潜在的时间分布方面是有利的。
2021-07-08 cs.AI cs.LG
Taylor-based Optimized Recursive Extended Exponential Smoothed Neural Networks Forecasting Method
University of Sfax（斯法克斯大学）
本研究将一种新的预测方法--泰勒最佳化递回延伸指数平滑神经网络预测法应用并延伸至数值预测。与传统的预测技术，预测未来的值，我们提出的方法提供了一个新的扩展，以纠正预测值，这是通过预测估计误差。实验结果表明，该方法在训练和测试数据中都具有很高的准确性，并且优于Mackey-Glass，NARMA，Lorenz和Henon map数据集上的最新RNN模型。
2018-11-01 cs.AI cs.NE
A Global Modeling Approach for Load Forecasting in Distribution Networks
高效的负荷预测是必要的，以确保更好的可观察性在配电网络，而这样的预测是可能的智能电表安装数量的增加。由于配电网包括大量不同的负载在不同的聚合水平，如个人消费者，Transformer站和馈线负载，这是不切实际的开发单独的（或所谓的本地）预测模型为每个负载分开。此外，这样的局部模型忽略了可能由于其空间接近性和配电网络的特性而存在的不同负载之间的强依赖性。为了解决这些问题，本文提出了一种基于深度学习的全局建模方法，用于有效预测配电网中的大量负荷。通过这种方式，可以大大减少训练大量局部预测模型的计算负担，并且可以利用不同负荷之间共享的跨系列信息。此外，一个无监督的本地化机制和最佳的集成构建策略也提出了本地化/个性化的预测模型，以不同的负荷组，以进一步提高预测精度。在真实的智能电表数据上进行了全面的实验，以证明所提出的方法相比竞争方法的优越性。
2022-04-01 cs.AI cs.LG
DVS: Deep Visibility Series and its Application in Construction Cost Index Forecasting
Southwest University（西南大学）；Chongqing University（重庆大学）
时间序列预测是近年来的研究热点。可见性图（VG）算法在以往的研究中被用于时间序列预测，但预测效果不如基于人工神经网络（ANN）、卷积神经网络（CNN）和长短期记忆网络（LSTM）的方法等深度学习预测方法。特定时间序列生成的可见性图包含丰富的网络信息，但以往的预测方法没有有效地利用网络信息进行预测，导致预测误差比较大。为了优化基于VG的预测方法，本文通过VG的仿生设计和对以往研究的扩展，提出了深度可见性系列（DVS）模块。通过将生物视觉的仿生设计应用于VG，DVS获得了较高的预测精度。同时，本文将DVS预测方法应用于工程造价指标预测，具有实际意义。
2022-05-14 cs.AI cs.LG
Adaptive Multi-receptive Field Spatial-Temporal Graph Convolutional Network for Traffic Forecasting
China Mobile Research Institute（中国移动研究院）；Beijing University of Posts and Telecommunications（北京邮电大学）
移动网络流量预测是移动网络日常运营中的重要功能之一。商用移动网络是一个庞大、异构、复杂和动态的网络。这些内在特征使得移动网络流量预测远未解决，即使使用最近的先进算法，例如基于图卷积网络的预测方法和各种注意力机制，这些算法在车辆流量预测中已被证明是成功的。在本文中，我们投的问题作为一个时空序列预测任务。我们提出了一种新的深度学习网络架构，自适应多感受野时空图卷积网络（AMF-STGCN），以模拟移动基站的流量动态。AMF-STGCN通过以下方式扩展了GCN：（1）联合建模移动网络中复杂的时空依赖性，（2）应用注意力机制来捕获异构基站的各种接收场，以及（3）引入基于完全连接的深度网络的额外解码器，以克服多步预测的错误传播挑战。在来自两个不同领域的四个真实数据集上的实验一致表明AMF-STGCN优于最先进的方法。
2021-11-01 cs.AI cs.LG
Multimodal Neural Network For Demand Forecasting
Zenlabs, Zensar Technologies Ltd.（Zensar科技有限公司Zenlabs）
需求预测应用程序极大地受益于用于时间序列预测的最先进的深度学习方法。传统的单模态模型主要是季节性驱动的，它试图将需求建模为历史销售以及假期和促销活动信息的函数。然而，准确和稳健的销售预测需要适应多种其他因素，如自然灾害，流行病，选举等，影响了对产品和产品类别的总体需求。我们提出了一个多模态的销售预测网络，它结合了新闻文章中的真实事件和传统数据，如历史销售和假日信息。此外，我们还融合了Google趋势发布的一般产品趋势的信息。实证结果显示，SMAPE误差指标在统计上有显著改善，与现实世界超市数据集上现有的最先进的销售预测技术相比，平均改善了7.37%。
2022-10-20 cs.AI cs.LG
CESNET-TimeSeries24: Time Series Dataset for Network Traffic Anomaly Detection and Forecasting
CESNET a.l.e.；Czech Technical University in Prague（布拉格捷克理工大学）
本文提出CESNET-TimeSeries24数据集，基于CESNET3网络中27.5万个活跃IP地址40周的流量构建，旨在填补大规模真实网络数据空白，为基于预测的异常检测方法提供真实评估基准。
2024-09-27 cs.AI cs.LG
Traffic Flow Forecasting Using a Spatio-Temporal Bayesian Network Predictor
Tsinghua University（清华大学）
提出了一种新的交通流预测模型--时空贝叶斯网络预测模型。与现有的方法不同，我们的方法结合了所有的空间和时间信息，在交通网络进行我们的交通流量预测的当前站点。采用Pearson相关系数对输入变量（交通流）进行排序预测，并采用最佳优先策略选择一个子集作为贝叶斯网络的原因节点。在时空贝叶斯网络中，给定导出的原因节点和相应的结果节点，采用高斯混合模型描述输入和输出之间的统计关系。最后，在最小均方误差（M.M.S.E.）准则下进行交通流预测。北京市城市车流数据的实验结果验证了时空贝叶斯网络预测器的有效性。
2017-12-24 cs.AI stat.AP
Short-term Streamflow and Flood Forecasting based on Graph Convolutional Recurrent Neural Network and Residual Error Learning
Georgia Institute of Technology（佐治亚理工学院）；The University of Sydney（悉尼大学）
针对水位流量关系曲线数据误差影响预报精度的问题，本研究提出结合图卷积循环神经网络捕捉时空模式与残差学习修正误差的方法，提升1-6小时短期径流与洪水预报准确性，降低洪水风险。
2024-12-06 cs.AI cs.LG physics.geo-ph
A novel weighted approach for time series forecasting based on visibility graph
时间序列在当今的许多领域都引起了人们的广泛关注。基于复杂网络分析的时间序列预测算法是一个研究热点。如何利用时间序列信息实现更准确的预测是一个难题。针对这一问题，提出了一种加权网络预测方法，以提高预测精度。首先将时间序列转化为复杂网络，找出节点之间的相似性，然后将相似性作为权值，对不同节点产生的预测值进行加权预测。与以往的方法相比，该方法具有更高的精度。为了验证所提方法的效果，实验部分在M1、M3数据集和建筑成本指数（CCI）数据集上进行了测试，结果表明所提方法具有更准确的预测性能。
2022-08-20 cs.AI cs.SI
Towards Better Long-range Time Series Forecasting using Generative Adversarial Networks
National University of Singapore（新加坡国立大学）
长期时间序列预测通常基于两种现有的预测策略之一：直接预测和迭代预测，前者提供低偏差，高方差预测，后者导致低方差，高偏差预测。在本文中，我们提出了一种新的预测策略，称为生成预测（GenF），它生成合成数据为未来几个时间步，然后根据生成的和观察到的数据进行长期预测。我们从理论上证明了GenF能够更好地平衡预测方差和偏差，从而导致更小的预测误差。我们通过三个组件实现GenF：（i）一种新的基于条件Wasserstein生成对抗网络（GAN）的合成时间序列数据生成器，称为CWGAN-TS。(ii)基于Transformer的预测器，使用生成的数据和观察到的数据进行长期预测。(iii)信息论聚类算法，以改善CWGAN-TS和基于Transformer的预测器的训练。在五个公共数据集上的实验结果表明，GenF的性能明显优于各种最先进的基准测试和经典方法。具体来说，我们发现预测性能（平均绝对误差）提高了5% - 11%，而与基准相比，参数减少了15% - 50%。最后，我们进行了一项消融研究，以证明组成GenF的组件的有效性。
2022-08-05 cs.AI cs.LG
DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks
Amazon Research（亚马逊研究院）
概率预测，即在给定时间序列的过去的情况下估计时间序列的未来的概率分布，是优化业务流程的关键使能器。例如，在零售业务中，预测需求对于在正确的时间在正确的地点提供正确的库存至关重要。在本文中，我们提出了DeepAR，这是一种基于大量相关时间序列训练自回归递归网络模型来生成准确概率预测的方法。我们展示了如何通过将深度学习技术应用于预测，人们可以克服广泛使用的经典方法所面临的许多挑战。我们通过对几个真实世界的预测数据集进行广泛的实证评估，与最先进的方法相比，准确性提高了约15%。
2019-02-22 cs.AI cs.LG stat.ML
Short-term load forecasting using optimized LSTM networks based on EMD
Nanjing University（南京大学）；Waseda University（早稻田大学）
短期负荷预测是智能电网的关键环节之一。精确的预测使系统运营商能够做出可靠的机组组合和电力调度决策。随着大数据时代的到来，人工智能技术如反向传播、支持向量机等被用于预测次日的负荷。然而，由于原始数据的噪声和电力负荷的随机性，现有的方法预测误差较大。提出了一种基于经验模态分解和长短记忆网络的短期负荷预测方法，并采用粒子群优化算法对网络参数进行优化。从本质上讲，经验模式分解可以将历史数据的原始时间序列分解为相对平稳的成分，长短期记忆网络能够强调数据的时序性并对其进行建模，两者的联合使用有望有效地应用数据本身的特性，从而提高预测精度。在实际数据集上的实验结果表明，与现有方法相比，该方法具有更高的预测精度和适用性。
2018-08-16 cs.AI eess.SP
Multi-Spatio-temporal Fusion Graph Recurrent Network for Traffic forecasting
Zhengzhou University（郑州大学）
交通预测对于新时代智慧城市的交通建设至关重要。然而，交通数据复杂的空间和时间依赖性使得交通预测极具挑战性。现有的交通量预测方法大多依赖于预定义的邻接矩阵来模拟时空相关性。然而，道路交通状态是高度实时的，因此邻接矩阵应随时间动态变化。本文提出了一种新的多时空融合图递归网络（MSTFGRN）来解决上述问题。该网络提出了一种数据驱动的加权邻接矩阵生成方法，以补偿预定义邻接矩阵未反映的实时空间依赖性。它还有效地学习隐藏的时空依赖，通过执行一个新的双向时空融合操作的并行时空关系在不同的时刻。最后，通过将全局注意力机制集成到时空融合模块中，同时捕获全局时空依赖性。在四个大规模的真实交通数据集上进行的广泛试验表明，与替代基线相比，我们的方法实现了最先进的性能。
2022-09-27 cs.AI cs.LG
Probabilistic Forecasting of Sensory Data with Generative Adversarial Networks - ForGAN
University of Kaiserslautern（凯泽斯劳滕大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））
时间序列预测是人类面临的挑战性问题之一。传统的均值回归模型预测方法在反映真实波动方面存在严重缺陷。虽然新的概率方法急于拯救，但它们与分位数交叉或选择先验分布等技术难题作斗争。为了融合这些领域的不同优势，同时避免它们的弱点，并推动最先进的边界，我们引入了ForGAN -一步领先的概率预测与生成对抗网络。ForGAN利用条件生成对抗网络的能力来学习数据生成分布并从中计算概率预测。我们讨论了如何评估ForGAN，以反对回归方法。为了研究ForGAN的概率预测，我们创建了一个新的数据集，并在其上展示了我们的方法能力。该数据集将公开用于比较。此外，我们在两个公开的数据集上测试了ForGAN，即Mackey-Glass数据集和互联网流量数据集（A5 M），ForGAN令人印象深刻的性能证明了其在预测未来价值方面的高能力。
2019-03-29 cs.AI cs.LG stat.ML
Zero-shot Multivariate Time Series Forecasting Using Tabular Prior Fitted Networks
University of Maryland（马里兰大学）；Capital One（第一资本）
本文提出利用表格基础模型进行多变量时间序列预测，通过将问题转化为标量回归问题，实现零样本预测，使用TabPFN-TS验证方法并对比现有最佳表格方法。
2026-04-09 cs.AI cs.LG
Encoding Seasonal Climate Predictions for Demand Forecasting with Modular Neural Network
IBM Research（IBM研究院）；IBM Research - India（IBM研究院（印度））
提出一种模块化神经网络框架，编码季节性气候预测以提升供应链需求预测的稳健性，在多个真实数据集上实现约13%-17%的错误减少。
2023-09-05 cs.AI cs.LG
SiamTST: A Novel Representation Learning Framework for Enhanced Multivariate Time Series Forecasting applied to Telco Networks
Norwegian University of Science and Technology（挪威科技大学）；Telenor Research（挪威电信研究公司）；SINTEF Digital（辛特夫数字研究院）
本文提出 SiamTST 表示学习框架，融合孪生网络、注意力、通道独立分块与归一化，用于电信网络多元时间序列预测，并在真实工业数据集上显著优于现有方法。
2024-07-02 cs.AI cs.LG
Domain Adversarial Spatial-Temporal Network: A Transferable Framework for Short-term Traffic Forecasting across Cities
University of Hong Kong（香港大学）；Massachusetts Institute of Technology（麻省理工学院）；City University of Hong Kong（香港城市大学）；The Hong Kong Polytechnic University（香港理工大学）
准确的实时交通预测对于智能交通系统（ITS）至关重要，它是各种智能移动应用的基石。虽然这一研究领域由深度学习主导，但最近的研究表明，通过开发新的模型结构来提高准确性的效果正在变得微不足道。相反，我们设想可以通过在具有不同数据分布和网络拓扑的城市之间传输“预测相关知识”来实现改进。为此，本文旨在提出一种新的可转移的流量预测框架：域对抗时空网络（DASTNet）。DASTNet在多个源网络上进行预训练，并根据目标网络的流量数据进行微调。具体来说，我们利用图表示学习和对抗性领域自适应技术来学习域不变的节点嵌入，这进一步被纳入建模的时间流量数据。据我们所知，我们是第一个采用对抗性多领域自适应的网络范围内的流量预测问题。DASTNet在三个基准数据集上的性能始终优于所有最先进的基线方法。经过训练的DASTNet应用于香港的新交通探测器，当探测器可用时，可以立即（在一天内）提供准确的交通预测。总体而言，本研究提出了一种替代方案，以提高交通预测方法，并提供了实际意义的城市缺乏历史交通数据。
2022-08-19 cs.AI cs.LG
Stochastic Recurrent Neural Network for Multistep Time Series Forecasting
University College London（伦敦大学学院）
基于深度架构的时间序列预测近年来越来越受欢迎，因为它们能够对复杂的非线性时间动态进行建模。循环神经网络就是这样一种能够处理可变长度输入和输出的模型。在本文中，我们利用深度生成模型的最新进展和状态空间模型的概念，提出了一种用于多步时间序列预测的循环神经网络的随机自适应，该网络采用随机梯度变分贝叶斯进行训练。在我们的模型设计中，循环神经网络的过渡函数，它决定了隐藏状态的演变，是随机的，而不是确定性的，因为在一个定期的循环神经网络;这是通过将一个潜在的随机变量到过渡过程中，捕捉随机性的时间动态。我们的模型保留了循环神经网络的架构工作，所有相关信息都封装在其隐藏状态中，这种灵活性使我们的模型可以轻松集成到任何深层架构中进行顺序建模。我们在从金融到医疗保健的广泛数据集上测试了我们的模型;结果表明，随机循环神经网络始终优于其确定性对应网络。
2021-06-25 cs.AI cs.LG
Graph Convolutional Networks for Traffic Forecasting with Missing Values
Technology Innovation Institute（技术创新研究院）；Université Paris-Saclay（巴黎萨克雷大学）；CEA（法国原子能和替代能源委员会）
交通预测近来引起了广泛的关注。实际上，流量数据通常包含由于传感器或通信错误而导致的缺失值。交通数据中的时空特征为处理此类缺失值带来了更多挑战，经典技术（例如，数据估算）有限：1）在时间轴上，数值可以随机或连续缺失; 2）在空间轴上，缺失值可以发生在单个传感器上，也可以同时发生在多个传感器上。基于图神经网络的最新模型在交通预测任务上取得了令人满意的性能。然而，它们中很少有适用于这样一个复杂的缺失值上下文。为此，我们提出了GCN-M，一个图卷积网络模型，能够处理复杂的缺失值的时空背景下。特别是，我们联合模型的缺失值处理和交通预测任务，同时考虑本地时空特征和全球的历史模式在基于注意力的记忆网络。我们还提出了一个动态图学习模块的基础上学习的局部-全局功能。在真实数据集上的实验结果表明了该方法的可靠性。
2022-12-13 cs.AI cs.LG
MP-PINN: A Multi-Phase Physics-Informed Neural Network for Epidemic Forecasting
Ho Chi Minh City University of Education（胡志明市师范大学）
提出MP-PINN混合方法，融合传播机制与神经网络，分阶段更新以反映政策干预，在COVID-19预测中优于纯数据或模型驱动方法。
2024-11-11 cs.AI cs.LG
Liquid Neural Network Models for Natural Gas Spot Price Time-Series Forecasting
Department of Data Science, Columbia University（哥伦比亚大学数据科学系）
本文提出利用液体神经网络改进天然气现货价格短期预测，以应对市场波动和非平稳性挑战，提升能源交易和电力市场决策支持。
2026-04-24 cs.AI cs.LG
Forecasting VIX using interpretable Kolmogorov-Arnold networks
Yonsei University（延世大学）；Ajou University（明知大学）
本文提出使用可解释的Kolmogorov-Arnold Networks (KANs)预测VIX，通过可学习样条激活函数和符号化提供闭式解与关键特征见解，在多数据集上以更少参数实现具竞争力的性能。
2025-02-03 cs.AI cs.CE cs.LG
Probabilistic Forecasting for Network Resource Analysis in Integrated Terrestrial and Non-Terrestrial Networks
Centre Tecnològic de Telecomunicacions de Catalunya (CTTC)（加泰罗尼亚电信技术中心（CTTC））；CONNECT Centre（CONNECT中心）；Munster Technological University（芒斯特理工大学）
本文研究集成地面与非地面网络中资源管理的概率预测方法，评估SFF技术相比LSTM在带宽和容量预测中的优势，并展示其量化不确定性的潜力及标准化路线图。
2025-03-26 cs.AI cs.LG cs.NI
DANLIP: Deep Autoregressive Networks for Locally Interpretable Probabilistic Forecasting
Toronto Metropolitan University（多伦多都会大学）；University of Toronto（多伦多大学）
尽管基于神经网络的时间序列预测方法具有高性能，但解释其预测的固有挑战限制了其在某些应用领域的适用性。由于难以确定这种黑箱方法的输入和输出之间的因果关系，它们很少被采用在法律和医学领域，其中结果的可靠性和可解释性可能是必不可少的。在本文中，我们提出了\model，这是一种新颖的基于深度学习的概率时间序列预测架构，本质上是可解释的。我们使用多个数据集和性能指标进行实验，并根据经验表明，我们的模型不仅是可解释的，而且还提供了与最先进的概率时间序列预测方法相当的性能。此外，我们表明，解释的参数的随机过程的兴趣可以提供有用的见解到几个应用领域。
2023-01-05 cs.AI cs.LG stat.ML
A Novel Hybrid Framework for Hourly PM2.5 Concentration Forecasting Using CEEMDAN and Deep Temporal Convolutional Neural Network
Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；School of Economics and Management, University of Chinese Academy of Sciences（中国科学院大学经济与管理学院）；School of Economics and Management, Beihang University（北京航空航天大学经济与管理学院）；School of Management, Xi’an Jiaotong University（西安交通大学管理学院）；School of Statistics, Lanzhou University of Finance and Economics（兰州财经大学统计学院）
对于小时PM2. 5浓度预测，准确捕捉影响PM2. 5浓度变化的外部因素的数据模式，构建预测模型是提高预测精度的有效手段之一。在这项研究中，一种新的混合预测模型的基础上，完全集成经验模式分解与自适应噪声（CEEMDAN）和深度时间卷积神经网络（DeepTCN）的预测PM2.5浓度，通过建模的数据模式的历史污染物浓度数据，气象数据，离散时间变量的数据。以北京市PM2. 5浓度为样本，实验结果表明，与时间序列模型、人工神经网络和流行的深度学习模型相比，CEEMDAN-DeepTCN模型的预测精度最高。新模型提高了对PM2.5相关因子数据模式的建模能力，可以作为预测PM2.5浓度的一种有前途的工具。
2020-12-07 cs.AI cs.LG eess.SP
Random vector functional link neural network based ensemble deep learning for short-term load forecasting
Nanyang Technological University（南洋理工大学）
电力负荷预测对于电力系统的规划和维护至关重要。然而，其非平稳和非线性的特点，在预测未来的需求带来了很大的困难。提出了一种新的集成深度随机向量函数链接网络（edRVFL）用于电力负荷预测。隐藏层的权重随机初始化，并在训练过程中保持固定。隐藏层被堆叠以实施深度表示学习。然后，模型通过集成每层的输出来生成预测。此外，我们还建议增加随机增强功能的经验小波变换（EWT）。EWT以向前走的方式分解原始负载数据，不会在分解过程中引入未来的数据泄漏问题。最后，EWT生成的所有子序列（包括原始数据）都将输入edRVFL进行预测。该模型是在2020年澳大利亚能源市场运营商公布的20个时间序列上进行评估的。仿真结果表明，该模型的性能优于11预测方法在三个误差指标和统计测试的电力负荷预测任务。
2021-07-30 cs.AI cs.LG eess.SP
Opportunistic Air Quality Monitoring and Forecasting with Expandable Graph Neural Networks
Technology Innovation Institute（技术创新研究院）
针对固定空气质量监测设施难以满足个性化场景需求的问题，提出可嵌入现有预测模型的可扩展图注意力网络（EGAT），以处理新旧基础设施中不同空间结构的数据，并在真实数据上验证了有效性。
2023-07-29 cs.AI cs.DB cs.LG
Stability of implicit neural networks for long-term forecasting in dynamical systems
Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；INRIA Paris（法国国家信息与自动化研究所巴黎分部）；Criteo AI Lab（Criteo人工智能实验室）
针对自回归深度学习长期预测 PDE 时的稳定性问题，提出带权重硬约束并在潜在空间传播动力学的稳定自回归隐式神经网络，理论与实验均验证其稳定性和长期预测改进。
2023-06-08 cs.AI cs.LG cs.NA
Comparative Analysis of Deep Learning Models for Real-World ISP Network Traffic Forecasting
Czech Technical University in Prague（布拉格捷克技术大学）；Faculty of Information Technology（信息技术学院）；Brno University of Technology（布尔诺理工大学）；CESNET, a.l.e.（CESNET公司）
本研究在真实ISP网络数据集CESNET-TimeSeries24上对比前沿深度学习模型的流量预测效果，明确不同粒度下精度与效率的平衡，建立可复现方法并提供研究基准。
2025-03-20 cs.AI cs.LG cs.NI
Dynamic Scenario Representation Learning for Motion Forecasting with Heterogeneous Graph Convolutional Recurrent Networks
Shanghai AI Lab（上海人工智能实验室）；Shanghai Jiao Tong University（上海交通大学）
由于动态场景中交互的复杂性和变化性，运动预测是自动驾驶中的一个具有挑战性的问题。大多数现有的作品利用静态道路图来描述场景，并在动态场景中建模不断变化的时空依赖关系方面受到限制。在本文中，我们诉诸动态异构图建模的情况下。各种场景组件，包括车辆（代理）和车道，多种类型的交互，以及它们随时间的变化联合编码。此外，我们设计了一种新的异构图卷积递归网络，聚合不同的交互信息并捕获它们的演化，以学习利用动态图中的内在时空依赖性并获得动态场景的有效表示。最后，与运动预测解码器，我们的模型预测现实和多模态的未来轨迹的代理，并优于国家的最先进的已发表的作品在几个运动预测基准。
2023-03-08 cs.AI cs.CV cs.LG
Global Neural Networks and The Data Scaling Effect in Financial Time Series Forecasting
the University of Sydney Business School（悉尼大学商学院）；UNSW Business School（新南威尔士大学商学院）
本文针对金融时间序列预测中神经网络表现不稳的问题，提出跨10,000余只全球股票汇集信息的全局估计策略，验证了数据规模与异质性对波动率预测精度的提升作用。
2025-02-20 cs.AI econ.EM q-fin.CP
On the use of Probabilistic Forecasting for Network Analysis in Open RAN
Centre Technologic de Telecomunicacions de Catalunya (CTTC/CERCA)（加泰罗尼亚电信技术中心（CTTC/CERCA））
本文提出在Open RAN架构中将概率预测技术用作rApp，用于估计基站PRB利用率和资源需求，实验证明DeepAR等概率预测方法优于LSTM等单点预测方法，提供更准确可靠的估计。
2024-07-19 cs.AI cs.DC cs.IT
LanTu: Dynamics-Enhanced Deep Learning for Eddy-Resolving Ocean Forecasting
Tianjin University（天津大学）；Minjiang University（闽江学院）
针对AI海洋预报难以刻画中尺度涡旋多尺度动力过程的问题，本文提出动力学增强深度学习系统LanTu，通过跨尺度交互与多尺度物理约束实现超过10天的区域涡分辨率预报，并优于NOFS和AI-OFS。
2025-05-15 cs.AI cs.LG nlin.CD
