Corrected Support Vector Regression for intraday point forecasting of prices in the continuous power market
本文提出基于核修正的支持向量回归cSVR方法,用于连续电力市场日内价格点预测,在德国市场数据上相比经典SVR、LASSO、随机森林和朴素预测取得最高精度且速度最快,尤其在早晚高峰交付时段改进最显著。
2024-11-25 stat.AP
Quasi-average predictions and regression to the trend: an application the M6 financial forecasting competition
Biofisika Institute (CSIC, UPV/EHU), University of the Basque Country (UPV/EHU)(巴斯克大学生物物理研究所);IKERBASQUE, Basque Foundation for Science(伊克尔巴斯克奎,巴斯克科学基金会)
本文通过分析M6竞赛,探讨了在高不确定性条件下,预测预期值比预测实际值更有效的方法。
2024-10-10 stat.AP
Robust modelling framework for short-term forecasting of global horizontal irradiance
电力需求的增加和对清洁能源的需求增加了太阳能的使用。为了便于电网管理,需要准确的太阳能预测。本文利用比勒陀利亚大学2020年7月至2021年8月的数据,比较了两种高斯过程回归(GPR)模型与加性分位数回归(AQR)和贝叶斯结构时间序列(BSTS)模型相结合对全球水平辐照度进行提前2天预报的精度。采用四种方法进行变量选择,Lasso,ElasticNet,Boruta和GBR(梯度提升回归)。使用GBR选择的变量,因为它们产生最低的MAE(最小绝对误差)值。比较了七种模型GPR(高斯过程回归)、双层DGPR(双层深度高斯过程回归)、bstslong(贝叶斯结构时间序列长)、AQRA(加性分位数回归平均)、QRNN(分位数回归神经网络)、PLAQR(部分线性加性分位数回归)和Opera(ExpRt聚合在线预测)。用于选择最佳模型的评估指标是MAE(平均绝对误差)和RMSE(均方根误差)。使用适当的评分规则和墨菲图进行了进一步的评估。最好的个人模型被认为是GPR。最佳预测组合为基于MAE的AQRA(AQR Averaging)。而基于RMSE的GPNN是最佳的预测组合方法。像Eskom这样的公司可以使用本研究中采用的方法来控制和管理电网。其结果将促进经济发展和能源资源的可持续性。
2022-12-12 stat.AP
Dynamic principal component regression: Application to age-specific mortality forecasting
在应用领域,包括精算学和人口学,越来越普遍地考虑曲线的时间序列;这方面的一个例子是在若干年期间观察到的按年龄划分的死亡率。考虑到年龄可以被视为离散或连续变量,通常实施诸如主成分分析的降维技术。然而,在存在中等到强的时间依赖性的情况下,通常用于分析独立同分布数据的静态主成分分析可能是不够的。作为一种替代方案,我们考虑一个\textit{dynamic}主成分的方法来模拟时间依赖的时间序列的曲线。受Brillinger(1974)的动态主成分理论的启发,本文提出了一种基于估计长期协方差的特征分解的动态主成分分析。通过一系列的实证应用,我们证明了潜在的改善一年提前点和区间预测精度的动态主成分回归需要相比,静态对应。
2019-05-10 stat.AP
A Multi-Quantile Regression Time Series Model with Interquantile Lipschitz Regularization for Wind Power Probabilistic Forecasting
现代决策过程需要具有不确定性意识的模型,特别是那些依赖于非对称成本和风险规避特征的模型。这项工作的目的是提出一个动态模型的条件非参数分布函数(CDF)生成概率预测的可再生能源发电时间序列。为此,我们提出了一个自适应非参数时间序列模型驱动的正则化多分位数回归(MQR)框架。在我们的方法中,所有的回归模型通过一个单一的线性优化问题,在多项式时间内找到全局最优参数联合估计。我们的工作的一个创新特点是考虑Lipschitz正则化的系数的一阶导数的分位数空间,这使得系数平滑。所提出的正则化诱导分位数之间的耦合效应,从而创建具有改进的样本外性能的单个非参数CDF模型。一个案例研究与现实的风力发电数据从巴西系统表明:1)正则化模型是能够提高MQR概率预测的性能,和2)我们的MQR模型优于五个相关的基准:两个基于MQR框架,和三个基于参数模型,即SARIMA,GAS与Beta和Weibull CDF。
2021-02-17 stat.AP
Probabilistic Forecasting for Daily Electricity Loads and Quantiles for Curve-to-Curve Regression
电力负荷曲线的概率预测对于在日益波动和竞争激烈的能源市场中进行有效的调度和决策至关重要。我们提出了一种新的方法来构建概率预测曲线(PPC),这导致了一个自然的和新的分位数的定义曲线到曲线线性回归的上下文中。PPC有三种类型:预测集、预测带和预测分位数,所有这些都是在预先指定的名义概率水平上定义的。在仿真研究中,PPC在多种数据生成机制下都能获得较好的覆盖概率。在法国日负荷曲线的一天前预测中,PPC在预测精度、覆盖率和预测带平均长度方面优于几种最先进的预测方法。预测分位数曲线提供了有见地的信息,这是高度相关的电力供应管理中的对冲风险。
2020-11-11 stat.AP stat.ME
Tail risk forecasting with semi-parametric regression models by incorporating overnight information
本研究提出RES-CAViaR-oc模型族,融合隔夜收益与已实现波动率,利用贝叶斯方法联合预测VaR和ES,实证表明其有效提升尾部风险预测精度。
2024-02-11 q-fin.RM stat.AP
Quantile Regression for Qualifying Match of GEFCom2017 Probabilistic Load Forecasting
我们提出了一种简单的基于分位数回归的预测方法,并将其应用于2017年全球能源预测竞赛(GEFCom 2017)的概率负荷预测框架中。每小时负荷数据经过对数转换并分为长期趋势分量和剩余项。关键的预测要素是剩余期的分位数回归方法,该方法考虑到每周和每年的季节性,例如它们的相互作用。温度信息仅用于稳定长期趋势分量的预测。公众假期信息被忽略。尽管如此,预测方法在开放数据跟踪中排名第二,在确定数据跟踪中排名第四,这是显着的模型简单。该方法也始终优于Vanilla基准。
2018-09-10 stat.AP stat.CO stat.ME
Solar Power Forecasting Using Support Vector Regression
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
智能电网中的发电机组经济调度需要兼顾发电和负荷平衡。可变能源发电,特别是风能和太阳能发电,正在迅速增加,预计随着其渗透率达到一定水平,它们可能成为值得注意的不确定性来源。与负荷需求的情况一样,能源预测也可用于缓解资源不确定性带来的一些挑战。虽然风能预测研究被认为是成熟的,但太阳能预测正受到研究界越来越多的关注。本文提出了一种支持向量回归模型,在滚动的基础上产生太阳能发电预测提前24小时,在整个一年,模仿能源预测的实际业务。从高质量的基准数据集中考虑了12个天气变量,并提取了新的变量。在不同的季节,热指数和风速作为额外的变量模型的附加值进行了研究。将支持向量回归模型与人工神经网络和多元线性回归模型进行了比较。
2017-03-29 cs.CE cs.LG stat.AP
Prediction Regions for Poisson and Over-Dispersed Poisson Regression Models with Applications to Forecasting Number of Deaths during the COVID-19 Pandemic
基于当前由SARS-CoV-2病毒引起的冠状病毒病(COVID-19)大流行,以及每日死亡人数和累积死亡人数的预测问题,本文研究了泊松回归模型和过离散泊松回归模型下预测区域或区间的构造。对于泊松回归模型,几个预测区域的开发和它们的性能进行了比较,通过模拟研究。该等方法应用于预测美国因COVID-19而导致的每日及累计死亡人数的问题。为了检查他们的表现相对于实际发生的情况,直到5月15日的每日死亡数据被用来预测6月1日的累积死亡人数。据观察,相对于泊松回归模型,观察到的数据存在过度分散。因此,提出了一个过分散泊松回归模型。这种新的模型建立在生存分析中的脆弱性思想之上,并通过一个额外的参数来量化过度分散。Poisson回归模型是过离散Poisson回归模型中的隐模型,并且当过离散参数增大到无穷大时作为极限情况获得。给出了截至7月2日的数据,到7月16日,美国因COVID-19死亡的累计人数的预测区域。最后,本文讨论了所提出的程序的局限性,并提到了开放的研究问题,以及在长期预测时的危险和陷阱,重点是这种流行病的事件,预见和不可预见的,可能会对点预测和预测区域产生巨大影响。
2020-07-07 stat.AP stat.ME
Interval Forecasting of Electricity Demand: A Novel Bivariate EMD-based Support Vector Regression Modeling Framework
在电力系统规划和运行决策中,高精度的电力需求区间预测是通过提供范围而不是点估计来成功降低风险的基础。在这项研究中,一种新的建模框架集成双变量经验模式分解(BEMD)和支持向量回归(SVR),扩展了成熟的经验模式分解(EMD)为基础的时间序列建模框架的能源需求预测文献,提出了电力需求的区间预测。本研究的新颖性来自就业BEMD,一个新的扩展经典经验模型分解(EMD)注定要处理二元时间序列作为复值时间序列,作为分解方法,而不是经典的EMD只能分解一维单值时间序列。该建模框架被赋予BEMD同时分解的下限和上限的时间序列,构建在复值时间序列的形式,电力需求每月每小时的基础上,从而捕捉潜在的相互关系的下限和上限。建议的建模框架是合理的,每月间隔值的电力需求数据每小时在宾夕法尼亚州新泽西州马里兰州互联,表明它是一个很有前途的方法,区间值的电力需求预测。
2014-06-15 cs.LG stat.AP
Dynamic principal component regression for forecasting functional time series in a group structure
在制定国家和国家以下各级的社会政策和年金定价时,必须准确预测死亡率,并确保国家以下各级的预测与国家一级的预测相一致。这激发了最近的事态发展预测功能时间序列在一组结构,静态主成分分析使用。在存在中度到强烈的时间依赖性,静态主成分分析设计的独立和同分布的功能数据可能是不够的。因此,通过使用动态函数主成分分析,我们考虑了一个功能的时间序列预测方法与静态和动态主成分回归预测组结构中的每个序列。通过使用从日本死亡率数据库(2019年)获得的日本地区年龄别死亡率,我们调查了我们提议的扩展的点和区间预测精度,并随后提出建议。
2019-09-01 stat.AP stat.ME
How to Learn from Others: Transfer Machine Learning with Additive Regression Models to Improve Sales Forecasting
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
在各种业务情况下,机器学习方法的引入或改进受到损害,因为这些方法无法利用现有的分析模型。然而,在许多情况下,类似的问题可能已经在其他地方解决了,但是积累的分析知识不能用来解决新问题,例如,因为隐私障碍。对于类似实体的销售预测的特定目的,我们提出了一个转移机器学习方法的基础上添加剂回归模型,让新的实体受益于现有实体的模型。我们评估了一个丰富的,多年的数据集的多个餐厅分店的方法。我们区分了简单地将模型从一个分支转移到另一个分支(“zero shot”)或转移和调整它们的选项。我们分析了几个预测基准的可行性和性能。结果表明,该方法利用集体可用的分析知识的潜力。因此,我们提供了一种超越销售预测和特定用例的可推广方法。此外,我们还展示了其在典型用例中的可行性以及提高预测质量的潜力。这些结果应该告知学术界,因为它们有助于在各个实体之间利用知识,并立即在工业中得到实际应用。
2020-05-15 cs.LG stat.AP
A hybrid model of kernel density estimation and quantile regression for GEFCom2014 probabilistic load forecasting
作为2014年全球能源预测竞赛概率负荷预测轨道的一部分,我们提出了一种结合核密度估计(KDE)和分位数回归技术生成概率预测的模型。KDE方法最初是使用时间衰减参数实现的。我们后来通过调节温度或一周的周期变量来改进这种方法,以提供更准确的预测。其次,我们发展了一个简单而有效的分位数回归预测。我们的方法的新颖方面是双重的。首先,我们将对称性引入到基于核密度估计的预测的时间衰减参数中。其次,我们结合三个概率预测不同的权重为不同时期的一个月。
2016-10-17 physics.data-an physics.soc-ph stat.AP
Smoothing Quantile Regression Averaging: A new approach to probabilistic forecasting of electricity prices
针对电力市场短期电价预测需求,提出平滑分位数回归平均方法,经含疫情及地缘冲突时期数据的两个市场验证,该方法在预测性能和交易收益上均优于点预测基准,证明了概率预测的实用价值。
2024-11-19 q-fin.CP stat.AP
Macroeconomic Forecasting and Variable Selection with a Very Large Number of Predictors: A Penalized Regression Approach
本文研究了具有大量预测变量的折迭凹惩罚回归模型的宏观经济预测和变量选择问题。惩罚回归方法导致回归系数的稀疏估计,并且即使模型的维数远大于样本量也是适用的。本文的前半部分讨论了当模型表现出时间序列依赖性时,折叠凹惩罚回归的理论问题。特别地,我们证明了超高维时间依赖回归的预言不等式和预言性质。论文的后半部分使用两个激励实证应用程序显示了惩罚回归的有效性。第一个模型使用MIDAS回归框架,使用FRED-MD数据预测美国GDP,其中有1000多个协变量,而样本量最多为200。第二个研究如何以及惩罚回归筛选隐藏的投资组合,约40只股票从1800多个潜在的股票使用纽约证券交易所的股票价格数据。这两个应用程序表明,惩罚回归提供了显着的结果,在预测性能和变量选择。
2017-03-05 math.ST stat.AP stat.ME
Dynamic Bayesian regression quantile synthesis for forecasting outlook-at-risk
Meiji University(明治大学);Keio University(庆应义塾大学);Nagoya University(名古屋大学)
本文提出动态贝叶斯回归分位数合成方法,通过引入时间变化的潜在因子结构,提升多变量时间序列的分位数预测性能。
2026-03-12 stat.AP stat.ME
Meta-Regression Analysis of Errors in Short-Term Electricity Load Forecasting
University of Bamberg(班贝格大学)
本文通过元回归分析59项研究中421个短期电力负荷预测模型,发现电网层级、预测粒度和算法显著影响MAPE,而数据集规模等无显著影响,并指出LSTM及神经网络组合方法表现最佳。
2023-05-29 cs.LG stat.AP
Gaussian process regression for forecasting battery state of health
准确预测电池的未来容量和剩余使用寿命是确保系统可靠运行和最大限度降低维护成本的必要条件。电池退化的复杂性质意味着容量衰减的机械建模迄今为止仍然很难处理;然而,随着云连接设备的出现,来自各种应用中的电池的数据变得越来越可用,并且数据驱动方法用于电池性能的可行性正在增加。在这里,我们提出了高斯过程(GP)回归预测电池的健康状态,并强调了各种优势的GP比其他数据驱动和机械的方法。GP是一种贝叶斯非参数方法,因此可以对复杂系统进行建模,同时以原则性的方式处理不确定性。先验信息可以通过多种方式被GP利用:如果底层退化模型的函数形式可用,则可以使用显式均值函数,并且多输出GP可以有效地利用来自不同细胞的数据之间的相关性。我们展示了GP的预测能力,短期和长期(剩余使用寿命)预测的选择容量与循环数据集从锂离子电池。
2017-05-31 stat.AP stat.ML
Regression markets and application to energy forecasting
在过去的几十年里,能源预测引起了极大的关注,与使用异构数据源,概率预测,在线学习等相关的新建议出现的一个关键方面是,学习和预测可能会极大地受益于分布式数据,虽然不仅在地理意义上。也就是说,各种代理收集并拥有可能对其他人有用的数据。与最近研究分布式和隐私保护学习(无激励)的建议相反,我们在这里探索一个称为回归市场的框架。在那里,旨在改善其预测的代理发布回归任务,其他代理可以通过共享其特征的数据来做出贡献,并为此获得金钱奖励。市场设计用于回归模型,其参数是线性的,并且可能是可分离的,基于批处理或在线学习进行估计。样本内和样本外的方面都被认为是与市场拟合模型样本,然后为提高真正的预测样本外。这种回归市场依赖于机器学习方法和合作博弈论的可解释性内的最新概念,以及Shapley加法解释。除了介绍市场设计和证明其理想的属性,应用结果显示基于模拟研究(突出该建议的显着特点)和现实世界的案例研究。
2022-04-04 cs.GT cs.SY eess.SY
A Multi-Variate Triple-Regression Forecasting Algorithm for Long-Term Customized Allergy Season Prediction
Boston University(波士顿大学);University of California Los Angeles(加州大学洛杉矶分校);Deakin University(迪肯大学);Massachusetts Institute of Technology(麻省理工学院)
在本文中,我们提出了一种新的多变量算法,使用三重回归方法来预测空气中的花粉过敏季节,可以为每个患者在长期定制。为了提高预测精度,我们首先进行预处理,整合花粉浓度的历史数据和其他协变量(如气象数据)的各种推断信号。然后,我们提出了一种新的算法,它包括三个阶段的回归:在第一阶段,回归模型预测的开始/结束日期的空气花粉过敏季节是从一个滚动窗口的协变量的12个时间序列提取的特征矩阵训练:在第二阶段,回归模型预测相应的不确定性的特征矩阵和预测结果的基础上,从第一阶段训练;在阶段3中,基于来自阶段1和2的预测结果建立加权线性回归模型。结果表明,第三阶段有助于提高预测精度,降低多元三重回归算法的不确定性。根据不同的过敏敏感程度,花粉的触发浓度-过敏季节的定义可以单独定制。在我们的回测中,使用该算法实现了4.7天的平均绝对误差(MAE)。我们的结论是,该算法可以适用于通用和长期的预测问题。
2020-12-11 cs.LG stat.AP stat.ML
Forecasting temporal variation of aftershocks immediately after a main shock using Gaussian process regression
揭示余震震级和到达时间的分布是了解地震序列特征的关键,它使我们能够预测地震活动性和进行灾害评估。然而,由于到达的地震波的污染,识别紧接在主震之后的余震的数量实际上是困难的。为了克服这个困难,我们构建了一个可能性的基础上检测到的数据,将检测功能的高斯过程回归(GPR)。探地雷达不仅能够估计余震分布参数和探测函数,而且能够估计余震分布参数和探测函数的可信区间。高斯过程和余震的分布都是指数函数的性质导致了一个有效的贝叶斯计算算法来估计超参数。在通过数值试验验证后,将该方法应用于2004年中越地震的目录数据,对余震进行了早期预测。结果表明,即使在主震发生后3小时内,该方法也能稳定地同时估计出分布参数及其可信区间。
2021-02-03 physics.geo-ph stat.AP
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
Density-valued time series: Nonparametric density-on-density regression
本文提出一种基于非参数函数对函数回归的概率密度函数预测方法,解决了密度数据非线性受约束导致传统预测困难的问题,并从理论和实验上验证了其准确性与有效性。
2025-10-12 stat.AP stat.ME
Trading Data for Wind Power Forecasting: A Regression Market with Lasso Regularization
本文提出了一个回归市场的风代理货币化数据之间的交易,风力发电预测。现有的文献数据市场往往把数据披露作为一个二元选择或调制的基础上的报价和出价之间的不匹配的数据质量。因此,市场要么对数据卖方不利,因为高估了他们披露数据的意愿,要么对数据买方不利,因为缺乏有用的数据。我们提出的回归市场基于最小绝对收缩和选择算子(套索)确定数据支付,这不仅为数据购买者提供了选择有用功能的手段,而且还使每个数据销售者能够个性化数据支付的阈值。使用合成数据和真实世界的风力数据,案例研究表明购买数据的风力代理商的总体损失减少,以及销售数据的人的额外经济利益。
2022-04-01 cs.SY eess.SY stat.AP
Interpretable modeling for short- and medium-term electricity load forecasting
我们考虑的问题,短期和中期的电力负荷预测,通过使用过去的负荷和每日的天气预报信息。传统上,许多研究人员直接应用回归分析。然而,解释天气对这些负荷的影响是困难的与现有的方法。在这项研究中,我们建立了一个统计模型,解决这个解释问题。一个基展开的变系数模式被用来捕捉天气效应的非线性结构。当回归系数为非负时,这种方法产生可解释的模型。为了估计非负回归系数,我们采用非负最小二乘法。三个实际数据分析表明,我们提出的统计建模的实用性。其中两个证明了我们所提出的方法具有良好的预测精度和可解释性。在第三个例子中,我们调查了COVID-19对电力负荷的影响。这种解释将有助于制定节能干预和需求响应战略。
2020-07-02 stat.AP stat.ME
Probabilistic wind power forecasting resilient to missing values: an adaptive quantile regression approach
提出一种无需预处理或重训练的自适应分位数回归方法,通过特征提取和非交叉分位数神经网络模块适应数据缺失模式,在概率性风电预测中实现了最先进的连续排名概率分数。
2024-04-24 cs.SY eess.SY stat.AP
Sparse Variational Contaminated Noise Gaussian Process Regression with Applications in Geomagnetic Perturbations Forecasting
University of Michigan(密歇根大学)
针对复杂协方差数据中的异方差与离群噪声,本文提出污染正态似然的稀疏变分高斯过程回归,并在地磁扰动预测中以更短预测区间达到与神经网络基线相当的覆盖率和准确率。
2024-07-02 cs.LG stat.AP stat.ME
Robust non-parametric mortality and fertility modelling and forecasting: Gaussian process regression approaches
School of Mathematics and Actuarial Science, University of Leicester(莱斯特大学数学与精算学院)
本文提出一种基于高斯过程回归的非参数方法,利用自然三次样条均值函数和谱混合协方差函数对年龄别死亡率和生育率进行建模与预测,在多个发达国家数据上相比主流方法显著提升了短期、中期和长期预测的精确性与稳健性。
2021-02-18 cs.LG stat.AP stat.ME
GraphSVR: A Graph Convolutional Support Vector Regression Framework for Robust Spatiotemporal Air Pollution Forecasting
Department of Mathematics, School of Advanced Sciences, Vellore Institute of Technology(维杰雷理工学院数学系);SAFIR, Sorbonne University(索邦大学SAFIR中心);Statistics Centre Abu Dhabi(阿布扎希统计中心)
提出GraphSVR框架,结合图卷积学习空间依赖与支持向量回归建模非线性时序,降低异常值影响,在印度德里和孟买数据集上实现更准确、稳定的多步预测,并集成保形预测提供校准区间。
2026-08-25 cs.LG stat.AP stat.ML
Evaluation of Time-Series, Regression and Neural Network Models for Solar Forecasting: Part I: One-Hour Horizon
在短时间范围内预测特定位置的太阳辐射的需要已经变得非常重要。在本文中,我们报告的分析结果,涉及统计和机器学习技术,预测每小时的水平太阳辐射在一个小时前的地平线上使用的数据集,从三个不同的城市在美国不同的气候条件。假设连续天数相同的简单预测方法可用作比较竞争预测方案的基线模型。一种方法是使用季节性ARIMA模型。令人惊讶的是,这些模型被发现比简单的预测更差。为了解释季节性变化和捕捉短期波动,云量是一个明显需要考虑的变量。以云量为回归量的月预报模型优于简单预报模型。更复杂的滞后移动平均(LMX)模型也进行了评估,其中一个变种,LMX 2,确定在每月的时间尺度,被证明是最好的选择。最后,LMX 2模型与人工神经网络(ANN)模型进行了比较,后者被证明是更准确。配套文件将提出算法和结果,这些模型可以用于4小时滚动地平线和24小时提前预测。
2017-08-22 physics.data-an stat.AP
Postprocessing of point predictions for probabilistic forecasting of day-ahead electricity prices: The benefits of using isotonic distributional regression
针对现有电价模型多仅提供点预测的问题,本文研究三种点预测转概率预测的后处理方法,发现保序分布回归对集成贡献最大,且集成方法在德西电力市场测试中性能优于前沿分布深度神经网络。
2024-10-06 q-fin.ST stat.AP stat.ML
Bayesian Median Autoregression for Robust Time Series Forecasting
本文提出了一种用于时间序列预测的贝叶斯中值自回归模型。所提出的方法利用时变分位数回归在中位数,有利地继承中位数回归的鲁棒性,而广泛使用的均值为基础的方法。贝叶斯分位数回归中的拉普拉斯似然方法的启发,BayesMAR通过将高斯误差改变为拉普拉斯,采用与自回归模型具有相同结构的参数模型,从而为时间序列预测提供了一种简单,鲁棒和可解释的建模策略。我们用马尔可夫链蒙特卡罗估计模型参数。除了贝叶斯模型选择方法外,贝叶斯模型平均法用于解释模型不确定性,包括自回归顺序中的不确定性。所提出的方法进行了说明,使用模拟和实际数据的应用。对美国宏观经济数据预测的应用表明,与所选择的基于均值的替代方案相比,BayesMAR在包括点预测和概率预测的各种损失函数下具有良好的预测性能。所提出的方法是通用的,可以用来补充丰富的一类方法,建立在自回归模型。
2020-12-05 econ.EM stat.AP stat.ME
Long-Term Spatio-Temporal Forecasting of Monthly Rainfall in West Bengal Using Ensemble Learning Approaches
Economic Research Unit(经济研究单位);Indian Statistical Institute(印度统计研究所)
本研究利用集成学习方法,通过分层建模框架对西孟加拉邦19个地区进行长期月度降雨预测,结合回归和MLP模型以捕捉时间与空间依赖性。
2025-12-28 cs.LG stat.AP
Forecasting in small open emerging economies Evidence from Thailand
以泰国为例,结合超450个指标评估多种贝叶斯收缩与因子模型,发现因子模型在短期预测占优,收缩模型在长期最佳,且Google Trends变量具前瞻性作用。
2025-09-18 econ.EM stat.AP
Distributional neural networks for electricity price forecasting
本文提出含概率层的分布神经网络,输出2参数正态或4参数Johnson SU分布,在德国日前电价概率预测中显著优于LASSO与分位数回归平均等基准。
2022-12-10 q-fin.ST stat.AP stat.ML
Forecasting Hyponatremia in hospitalized patients Using Multilayer Perceptron and Multivariate Linear Regression Techniques
GITAM University(吉塔姆大学)
因低钠血症住院的患者比例越来越高。低钠血症是人体血清中钠电解质的缺乏。如果不积极治疗和管理,这种缺陷可能会导致不良反应,并与住院时间延长或死亡率相关。这项工作预测未来的钠水平的患者的基础上,他们的健康问题的历史,使用多层感知器和多元线性回归算法。这项工作分析了患者的年龄,其他疾病的信息,如糖尿病,肺炎,肝病,恶性肿瘤,肺,败血症,SIADH和钠水平的患者在入院期间。最后将MLP算法的结果与基于MLR算法的结果进行了比较。MLP算法的预测结果比MLR算法的预测结果高23-72。因此,在预测患者未来钠浓度范围时,提出的MLR算法的均方误差率比MLR结果降低了57.1。此外,提出的MLR算法产生27-50的较高的预测精度率。
2020-08-04 cs.LG cs.NE q-bio.QM
When regression coefficients change over time: A proposal
预测问题的一种常见方法是从过去的数据中估计最小二乘回归(或其他统计学习模型),然后将其应用于预测未来的结果。一个基本的假设是,过去观察到的相同相关性在未来仍然成立。我们提出了一个模型的情况下,这个假设是不满足的:采用状态空间文献的方法,我们的模型如何回归系数随时间的变化。我们的方法可以揭示与预测未来相关的巨大不确定性,以及其中有多少是由于过去的动态变化。我们的模拟研究表明,准确的估计时,结果是连续的,但该程序失败的二元结果。
2022-03-19 stat.AP stat.ME stat.ML
Neural Networks for Extreme Quantile Regression with an Application to Forecasting of Flood Risk
提出结合神经网络与极值理论的EQRN模型用于极端分位数回归,并开发循环版本捕捉时间序列依赖,应用于洪水风险预测,提供动态超越概率预测以辅助预警。
2024-11-12 stat.AP stat.ME stat.ML
Hybrid Probabilistic Forecasting of Under-Five Malaria Admissions in Ghana: A Gaussian Process Regression with Holt-Winters Smoothing
GAEC, Ghana(加纳农业和粮食部)
针对加纳疟疾预测中季节性和数据不确定性挑战,提出结合高斯过程回归与Holt-Winters指数平滑的混合模型,实现概率性预测并评估其性能。
2026-05-30 cs.AI cs.LG math.PR
Online Multivariate Regularized Distributional Regression for High-dimensional Probabilistic Electricity Price Forecasting
Statkraft Trading GmbH(Statkraft交易有限公司);University of Duisburg-Essen(杜伊斯堡-埃森大学)
本文提出一种在线算法,用于高维概率电力价格预测,通过结合多变量分布回归与在线坐标下降和LASSO正则化,实现对电力价格条件均值、方差和依赖结构的高效建模,并在德国日间市场数据中验证了其有效性。
2026-11-10 econ.EM q-fin.ST stat.AP
Improving Subseasonal Forecasting in the Western U.S. with Machine Learning
美国西部的水资源管理者(美国)依靠对气温和降水的长期预报,为干旱和其他极端潮湿天气做好准备。为了提高这些长期预测的准确性,美国垦务局和国家海洋和大气管理局(NOAA)发起了亚季节气候预测竞赛,这是一项为期一年的实时预测挑战,参与者旨在提前两到四周和四到六周巧妙地预测美国西部的温度和降水。在这里,我们介绍并评估了我们的机器学习方法,并发布了我们的SubseasonalRodeo数据集,收集这些数据集用于训练和评估我们的预测系统。我们的系统是两个回归模型的集合。第一个集成了不同的收集气象测量和动态模型预测的SubseasonalRodeo数据集和修剪不相关的预测使用自定义的多任务模型选择过程。第二种方法只使用目标变量(温度或降水)的历史测量值,并将多任务最近邻特征引入加权局部线性回归。每个模型都比去偏操作的美国气候预测系统(CFSv 2)更准确,我们的集合技能超过了每个目标变量和预测范围的顶级Rodeo竞争对手。此外,在2011-2018年期间,我们的回归模型和去偏CFSv 2的集合将温度的去偏CFSv 2技能提高了40-50%,降水量提高了129-169%。我们希望我们的数据集和我们的方法将有助于推进亚季节预测的最新发展。
2019-05-22 cs.CY stat.AP stat.ML
A Study on Monthly Marine Heatwave Forecasts in New Zealand: An Investigation of Imbalanced Regression Loss Functions with Neural Network Models
University of Canterbury(坎特伯雷大学);Oceanum(奥希阿纳姆(海洋研究机构));University of Auckland(奥克兰大学)
针对新西兰12地月度海洋热浪预报的不平衡回归难题,该研究用全连接神经网络比较多种损失函数,发现平衡MSE与提出的缩放加权MSE可显著提升极端事件预报。
2025-02-19 cs.LG physics.ao-ph stat.AP
Deep Learning applied to Road Traffic Speed forecasting
Mediamobile(Mediamobile 公司);Institut de Mathématiques de Toulouse(图卢兹数学研究所);INSA(法国国立应用科学学院)
在本文中,我们提出了深度学习架构(FNN,CNN和LSTM)来预测时间相关数据的回归模型。这些算法的目的是处理浮动车数据(FCD)的历史速度预测道路交通数据。为此,我们以创新的方式将速度聚合到网络输入中。我们比较了一个简单的物理模型的结果,从而获得的RMSE,并表明,后者达到更好的RMSE精度。我们还提出了一个新的指标,它评估算法的改进相比,基准预测。最后,我们质疑使用深度学习方法来完成这个特定的回归任务的兴趣。
2017-10-02 cs.LG cs.NE stat.AP
Quantile Surfaces -- Generalizing Quantile Regression to Multivariate Targets
University of Kassel(卡塞尔大学);Fraunhofer Institute for Energy Economics and Energy System Technology(弗劳恩霍夫能源经济与能源系统技术研究所)
在这篇文章中,我们提出了一种新的方法,多变量概率预测。我们的方法是基于扩展的单输出分位数回归(QR)的多变量目标,称为分位数表面(QS)。QS使用了一个简单但令人信服的想法,即通过方向和向量长度来索引概率预测的观察结果,以估计集中趋势。我们将单输出QR技术扩展到多变量概率目标。QS有效地对多变量目标变量的依赖关系进行建模,并通过离散分位数水平表示概率分布。因此,我们提出了一种新的两阶段过程。在第一阶段,我们执行确定性点预测(即,集中趋势估计)。随后,我们使用QS涉及神经网络称为分位数表面回归神经网络(QSNN)的预测不确定性建模。此外,我们引入了新的方法,有效和直接的评估的可靠性和清晰度的概率QS预测。我们通过连续排序概率得分(CRPS)得分的方向扩展来补充这一点。最后,我们评估了我们在合成数据上的新方法以及目前在两个不同领域研究的两个现实挑战:第一,可再生能源发电的概率预测,第二,自动驾驶车辆的短期骑自行车者轨迹预测。特别是对于后者,我们的实证结果表明,即使是一个简单的单层QSNN优于传统的参数多变量预测技术,从而提高了最先进的性能。
2020-09-29 cs.AI stat.AP stat.CO