Energy load forecasting using Terna public data: a free lunch multi-task combination approach
针对Terna发布的意大利分区15分钟负荷预测,提出快速简便的堆叠回归多任务组合方法,结合Terna预测与随机游走朴素预测,在Terna发布前日负荷数据和当日预测后可立即生成更准确的预测结果。
2025-02-17 stat.AP stat.ME
Bayesian Modal Regression for Forecast Combinations
本研究提出将模回归纳入预测组合的贝叶斯分层框架,利用非对称重尾误差分布建模条件模,在真实分析师预测数据中优于均值回归,揭示了收入预测误差的偏态与肥尾特性。
2025-04-04 stat.ME
Hedging Forecast Combinations With an Application to the Random Forest
本文提出一种基于均值-方差投资组合类比的高层预测组合方法,允许负权重以对冲估计风险,并在14个数据集上验证了其改进加权随机森林样本外性能的有效性。
2023-08-31 q-fin.PM stat.ME
Another look at forecast trimming for combinations: robustness, accuracy and diversity
本文提出一种同时考虑稳健性、准确性和多样性的新预测修剪算法,用于从大规模预测池中选取最优子集进行组合预测,实验表明其在点预测和区间预测上总体优于仅孤立处理单一问题的基准算法,并给出了算法选择的实用建议。
2024-06-14 stat.AP stat.CO stat.ME
Thick as THieFs: Temporal coherent forecast combination for day-ahead electricity prices
University of Padua(帕多瓦大学)
针对日前电价预测中不同粒度预测不连贯及单一模型非全优的问题,开发时间相干组合方法,汇集多级别预测,经多种估计器比较,用四类模型基础预测验证,该组合预测在各时间级别表现出色。
2026-07-27 stat.AP stat.ME
Bayesian Forecast Combination with Predictive Priors via Particle Filtering
本文提出带预测先验的贝叶斯预测组合框架,首次将前瞻性信号嵌入时变权重更新,以模型多样性为信号实现DTVW方法,通过模拟与实证验证其预测准确性优于TVW等基准,还能提供模型诊断见解。
2025-08-24 stat.ME
The uncertainty estimation of feature-based forecast combinations
预测是运筹学(OR)不可或缺的要素,也是规划的重要辅助手段。预测不确定性的准确估计有助于几个运营管理活动,主要是在支持库存和供应链管理决策,并有效地设置安全库存。在本文中,我们引入了一个基于特征的框架,它将时间序列特征和区间预测性能之间的关系联系起来,提供可靠的区间预测。我们提出了一个最佳阈值比搜索算法和一个新的权重确定机制,选择一个适当的模型子集,并为每个时间序列分配组合权重,以观察到的功能。我们评估我们的方法使用一个大的时间序列从M4的竞争。我们的实验表明,我们的方法显着优于广泛的基准模型,无论是在点预测以及预测区间。
2020-11-17 stat.AP stat.CO stat.ME
Coherent forecast combination for linearly constrained multiple time series
University of Padua(帕多瓦大学)
本文针对线性约束多时间序列,提出基于优化的一致预测组合方法,给出闭式解并通过模拟与澳大利亚电力数据验证其性能提升。
2026-11-09 stat.AP stat.CO stat.ME
Dynamic Bayesian Predictive Synthesis in Time Series Forecasting
讨论了时间序列预测中的模型和预测组合问题。基于主体意见分析理论的基本贝叶斯观点定义了一个新的框架密度预测组合,并包括几个现有的预测池方法。我们开发了一类新的动态潜在因素模型的时间序列预测合成,基于模拟的计算实现。这些模型可以动态地适应时变的偏差,错误校准和多个模型或预测器之间的相互依赖性。一项宏观经济预测研究强调了综合预测密度之间的动态关系,以及在多个层面提高预测准确性的潜力。
2022-03-02 stat.ME
Forecast with Forecasts: Diversity Matters
在过去的几十年里,预测组合被广泛应用于改善预测。估计可以优于简单平均值的最佳权重并不总是一件容易的任务。近年来,利用时间序列特征进行预测组合的思想蓬勃发展。虽然这个想法已经被证明是有益的,在一些预测比赛,它可能是不实用的,在许多情况下。例如,选择适当的特征来构建预测模型的任务通常具有挑战性。即使有一个可接受的方式来定义的功能,现有的功能是根据历史模式,这是很可能在未来发生变化的估计。其他时候,由于历史数据有限,对特征的估计是不可行的。在这项工作中,我们建议从历史数据的重点变化,产生的预测提取功能。我们使用样本外预测,通过放大组合方法的多样性来获得预测组合的权重。一组丰富的时间序列被用来评估所提出的方法的性能。实验结果表明,我们的基于多样性的预测组合框架不仅简化了建模过程,而且在点预测和预测区间方面都取得了优异的预测性能。我们的建议的价值在于它的简单性,透明度和计算效率,从优化和决策分析的角度来看,这些元素都很重要。
2021-08-19 stat.ME stat.ML
Cross-temporal forecast reconciliation: Optimal combination method and heuristic alternatives
本文提出迭代跨时间预测协调程序及最优点预测闭式解,同时处理同期和时间层级约束,并在澳大利亚GDP季度数据上验证其优于单维度协调方法。
2020-10-19 stat.ME
Optimal Combination Forecasts on Retail Multi-Dimensional Sales Data
Faculty of Engineering, University of Porto(波尔图大学工程学院);HUUB AI Lab Porto(HUUB AI实验室波尔图)
零售世界中的时间序列数据在维度方面特别丰富,这些维度可以按组或层次进行聚合。有价值的信息嵌套在这些复杂的结构中,这有助于预测聚合的时间序列数据。从HUUB监测的品牌组合中,我们选择了两个品牌来探索他们的销售行为,利用其产品结构的分组属性。利用统计模型,即SARIMA,预测层次结构中的每一个层次,使用最佳组合方法,以产生更一致的预测在较高的水平。我们的研究结果表明,所提出的方法确实可以捕获嵌套的信息在更细粒度的序列,有助于提高预测精度的聚合系列。加权最小二乘(WLS)方法超过了研究中提出的所有其他方法,包括最小跟踪(MinT)和解。
2019-03-22 cs.LG stat.AP stat.ME
Target alignment, dilution and forecast selection when cross-sectional forecasts share a common target
University of Pisa(比萨大学)
本文研究共享同一目标的横截面预测,将其分解为对齐与不相关分量,提出谨慎选择规则以消除稀释损失,并在语言模型和机械信号预测中验证,但组合未能胜过无信息预测。
2026-09-23 cs.LG econ.EM q-fin.ST
Hydrological time series forecasting using simple combinations: Big data testing and investigations on one-year ahead river flow predictability
National Technical University of Athens(雅典国家技术大学);Hellenic Air Force(希腊空军)
提供有用的水文预报对于城市和农业用水管理、水力发电、洪水保护和管理、减轻和缓解干旱以及河流流域规划和管理等至关重要。在这项工作中,我们提出和评估一个新的简单而灵活的水文时间序列预测方法。这种方法依赖于(a)至少两种单独的预测方法和(b)预测的中值组合。该评价是通过使用一个大的数据集,包括90年的平均年径流量的时间序列,从大约600站。这些监测站覆盖北美和欧洲的大部分地区,代表了各种气候和集水特征,因此可以共同支持基准测试。对每个时间序列应用了五种单独的预测方法和26种所介绍方法的变体。应用是在一步提前预测模式。个别方法是最后一次观察基准,简单指数平滑,复杂指数平滑,自动自回归分数积分移动平均(ARFIMA)和Facebook的先知,而26种变体是由上述五种方法的所有可能组合(每两种,三种,四种或五种)定义的。新的方法被确定为长期表现良好,特别是当两个以上的个人预测方法结合在其框架内。此外,在系统框架内的不同的水文预报方法的情况下知情的集成的可能性进行了算法研究和讨论。相关的调查包括线性回归分析,其目的是找到一个有代表性的预测性能指标的值和选定的河流流量统计值之间的可解释的关系.
2020-08-18 cs.LG stat.AP stat.ME
Insights into regression-based cross-temporal forecast reconciliation
本文研究跨时间预测协调中顺序、迭代与最优组合方法的等价及收敛关系,并通过光伏发电预测实验验证其精度与高维计算效率。
2024-10-25 stat.AP stat.CO stat.ME
Combining Forecasts Using Ensemble Learning
被认为是个人的预测相结合,以产生一个预测与改进的性能的问题。利用概率启发和分类之间的联系,将组合预测问题归结为集成学习问题。有了这种联系,一些理论上合理的集成学习方法,如Bagging和Boosting,适用于组合预测器。它表明,简单而有效的平均预测方法是等价的袋。这提供了理论上的见解,为什么建立良好的平均预测方法的工作如此之好。此外,一个非线性组合的预测,可以实现通过助推,这是理论上产生的组合预测,校准和高度精炼。最后,建议的方法相结合的预测良好的判断项目的数据集,并表现出优于个人的预测。
2017-07-08 stat.ME
Model combinations through revised base-rates
预测模型的标准选择标准侧重于为每个系列独立计算的信息,而不考虑候选模型的一般趋势和性能。在本文中,我们提出了一种新的统计模型选择和模型组合方法,该方法结合了候选预测模型的基本率,然后对其进行修改,以便考虑到每个系列的信息。我们研究了两种方案,是基于精度和敏感性信息的列联表的基本利率。我们将我们的方法应用于指数平滑模型和大量的真实时间序列的池,我们表明,我们的计划比标准的统计基准更好地工作。我们讨论了我们的方法与其他交叉学习方法的联系,并提供了有关理论和实践影响的见解。
2021-04-19 stat.AP stat.ME
Combining predictive distributions for statistical post-processing of ensemble forecasts
统计后处理技术现在被广泛用于校正从多个数值天气预报模式获得的集合预报校准中的系统偏差和误差。一个标准的方法是集合模型输出统计(EMOS)方法,一种分布回归方法,其中预测分布由单个参数定律给出,参数取决于集合成员。为感兴趣的天气变量选择一个合适的参数族是一个关键的,然而,往往是不平凡的任务,并一直是最近的研究重点。在这篇文章中,我们评估的优点相结合的预测分布,从多个EMOS模型的基础上不同的参数家庭。通过对两个集合预报系统的风速和降水预报的四个案例研究,我们研究了最先进的预报组合方法是否能够提高预报技巧。
2017-07-13 stat.AP stat.ME