Monash Time Series Forecasting Archive
Monash University（莫纳什大学）；University of Sydney（悉尼大学）
当今许多企业和行业都依赖于大量的时间序列数据，这使得时间序列预测成为一个重要的研究领域。与传统的孤立序列单变量预测模型相比，跨时间序列集训练的全球预测模型在提供准确预测方面显示出巨大的潜力。然而，目前还没有全面的时间序列预测档案，其中包含来自类似来源的时间序列数据集，可供研究界评估新的全球预测算法在各种数据集上的性能。在本文中，我们提出了这样一个全面的时间序列预测档案，包含20个公开的时间序列数据集，从不同的领域，具有不同的特点，在频率，序列长度，并包括缺失值。我们还对数据集进行了特征分析，并确定了它们之间的相似性和差异性。此外，我们提出了一套标准的基线预测方法的性能在所有数据集的八个误差指标，为研究人员使用档案基准他们的预测算法的好处。
2021-05-14 cs.LG stat.ML
ForecastQA: A Question Answering Challenge for Event Forecasting with Temporal Text Data
University of Southern California（南加州大学）；Information Sciences Institute（信息科学研究所）
事件预测是一项具有挑战性但又重要的任务，因为人类不断寻求为未来做计划。现有的自动化预测研究主要依赖于结构化数据，如时间序列或基于事件的知识图谱，以帮助预测未来的事件。在这项工作中，我们的目标是制定一个任务，构建一个数据集，并提供基准开发方法的事件预测与大量的非结构化文本数据。为了模拟时间新闻文件的预测方案，我们制定了一个限制域，多项选择，问答（QA）任务的问题。与现有的QA任务不同，我们的任务限制了可访问的信息，因此模型必须做出预测判断。为了展示这个任务制定的有用性，我们引入了ForecastQA，这是一个由10，392个事件预测问题组成的问答数据集，这些问题已经通过众包工作收集和验证。我们使用基于BERT的模型在ForecastQA上进行了实验，发现我们最好的模型在数据集上达到了60.1%的准确率，仍然落后于人类表现约19%。我们希望ForecastQA将支持未来的研究工作，弥合这一差距。
2021-06-08 cs.LG stat.ML
Multi-Task Time Series Forecasting With Shared Attention
George Washington University（乔治华盛顿大学）；Shandong University（山东大学）；Beihang University（北京航空航天大学）
时间序列预测是许多工业和商业决策过程中的关键组成部分，基于递归神经网络（RNN）的模型在各种时间序列预测任务上取得了令人印象深刻的进展。然而，大多数现有的方法都集中在单任务预测问题上，基于有限的监督目标单独学习，这往往会受到训练实例不足的影响。由于Transformer体系结构和其他基于注意力的模型已经证明了其捕获长期依赖性的强大能力，我们提出了两个基于自注意力的多任务时间序列预测共享方案，可以跨多个任务联合进行训练。我们增加了一个序列的一个外部的公共多头注意力功能，这是更新的所有任务的所有数据的并行Transformer编码器。在多个实际多任务时间序列预测任务上的实验表明，我们提出的架构不仅可以优于最先进的单任务预测基线，而且还优于基于RNN的多任务预测方法。
2021-01-24 cs.LG stat.ML
EasyTime: Time Series Forecasting Made Easy
School of Data Science and Engineering, East China Normal University（华东师范大学数据科学与工程学院）；Department of Computer Science, Aalborg University（奥尔堡大学计算机科学系）
EasyTime系统通过一键评估、自动集成模块和基于大语言模型的自然语言问答模块，简化了时间序列预测方法的使用，并支持新预测方法的开发。
2024-12-23 cs.LG stat.ML
ForecastGAN: A Decomposition-Based Adversarial Framework for Multi-Horizon Time Series Forecasting
Department of Mechanical, Automotive and Materials Engineering（机械、汽车和材料工程系）
本文提出ForecastGAN框架，通过分解模块、模型选择模块和条件生成对抗训练模块，有效融合数值与类别特征，在十一个多元时间序列数据集上实现短期预测优于Transformer模型且长期预测具有竞争力的效果。
2025-11-06 cs.LG stat.ML
Forecasting The JSE Top 40 Using Long Short-Term Memory Networks
University of the Witwatersrand（威特沃特斯兰德大学）
由于大数据的更大可用性，以及现代计算的成本降低和能力增加，使用人工神经网络进行金融时间序列预测再次成为金融界讨论和研究的主要话题。尽管有这样的学术焦点，但对于人工神经网络的表现最好以及它们是否优于传统时间序列模型的预测能力，仍然存在截然不同的观点和文献。本文利用长短期记忆网路，对日本证券交易所40大指数的收益率资料进行金融时间序列预测。此外，预测性能的长短期记忆网络的预测性能的季节性自回归集成移动平均模型进行了比较。本文评估了现有文献中提出的不同方法，并最终将结果与现有文献进行了比较。本文的结论是，长短记忆网络优于季节性自回归积分移动平均模型预测日内方向性运动，以及在预测指数收盘价。
2021-04-20 cs.LG stat.ML
Correlated daily time series and forecasting in the M4 competition
University of Tartu（塔尔图大学）
我们参加了时间序列预测的M4竞赛，并在这里描述我们预测每日时间序列的方法。我们使用了五种统计预测方法和一种称为相关器的方法。我们使用M4组织者在比赛结束后发布的地面真实值进行的回顾性分析表明，相关器是我们在天真的常数预测方法上获得大部分收益的原因。我们认为数据泄漏是其成功的原因之一，部分原因是从不同的时间间隔选择的测试数据，部分原因是原始时间序列中的质量问题。我们建议，未来的预测比赛应该提供时间序列的实际日期，以便参与者可以避免其中的一些泄漏。
2020-03-31 cs.LG stat.ML
Rank Position Forecasting in Car Racing
Indiana University（印第安纳大学）；NEC Corporation Japan（日本电气股份有限公司）
预测是具有挑战性的，因为外部因素导致的不确定性存在。本文研究了赛车比赛中的排位预测问题，即预测赛车在未来几圈的排位。在许多因素带来的变化，排名的位置，进站是关键，但不规则和罕见的。我们发现现有的方法，包括统计模型，机器学习回归模型，以及基于编码器-解码器架构的最先进的深度预测模型，在预测方面都有局限性。通过对进站事件的详细分析，提出了一种基于因果分解的深度模型RankNet，将进站事件和排名位置序列分别建模。它还结合了概率预测来模拟每个子模型内部的不确定性。通过大量的实验，RankNet展示了比基线更强的性能改进，例如，MAE持续提高10%以上，并且在适应未知的新数据时也更加稳定。模型优化，性能分析的细节。该方法有望为赛车分析提供有用的预测工具，并为解决一般预测问题中类似的挑战性问题提供参考。
2020-10-23 cs.LG stat.ML
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
Ensembles of Randomized NNs for Pattern-based Time Series Forecasting
Częstochowa University of Technology（琴希托霍瓦工业大学）
在这项工作中，我们提出了一个集成预测方法的基础上随机神经网络。改进的随机学习通过根据数据和目标函数特征生成网络参数来简化个体学习器的拟合能力。一个基于模式的时间序列表示，使所提出的方法适用于预测时间序列的多个季节性。我们提出了六个策略来控制合奏成员的多样性。对四个实际预报问题进行的案例研究验证了所提出的集合预报方法的有效性和优越性能。它在预测准确性方面优于统计模型以及最先进的机器学习模型。所提出的方法具有几个优点：快速和容易的训练，结构简单，易于实现，高精度和处理非平稳性和多个季节性的时间序列的能力。
2021-07-08 cs.LG stat.ML
Quantile Convolutional Neural Networks for Value at Risk Forecasting
University of Debrecen（德布勒森大学）
本文提出了一种新的风险价值预测方法。卷积神经网络可以进行时间序列预测，因为它们可以及时学习局部模式。一个简单的修改使他们能够预测的不是平均值，但分布的任意分位数，从而使他们能够应用于风险值预测。该模型可以从不同资产的价格历史中学习，并且似乎可以产生相当准确的预测。
2020-09-30 cs.LG q-fin.CP stat.ML
Any-Quantile Probabilistic Forecasting of Short-Term Electricity Demand
Walmart（沃尔玛）；Amazon（亚马逊）；Czestochowa University of Technology（琴斯托霍瓦工业大学）
本文提出一种可预测任意分位数的通用分布预测方法，可无缝应用于两种神经架构，并在35条欧洲国家小时级电力需求时间序列上取得最先进的短期电力需求分布预测结果。
2024-10-04 cs.LG stat.ML
Profit-oriented sales forecasting: a comparison of forecasting techniques from a business perspective
KU Leuven（鲁汶大学）；University of Southampton（南安普顿大学）
选择最适合预测数据的技术是任何预测应用程序中都会出现的问题。几十年的研究已经产生了大量的预测方法，这些方法来自统计学，计量经济学和机器学习（ML），这导致在任何预测中都要做出非常困难和精心的选择。本文旨在通过比较35个时间序列的大量技术来促进这一过程，这些时间序列由可口可乐公司的行业数据和公开数据集组成。然而，本文介绍了一种新颖的、完全自动化的利润驱动方法，该方法考虑了一种技术在模型构建和评估过程中可以创造的预期利润，而不是仅仅关注预测结果的准确性。用于此目的的预期利润函数易于理解，并通过将预测准确性与业务专业知识相结合来适应任何情况。此外，我们还研究了ML技术的附加值，外部因素的纳入和季节性模型的使用，以确定哪种类型的模型在战术销售预测中效果最好。我们的研究结果表明，简单的季节性时间序列模型始终优于其他方法，利润驱动的方法可能会导致选择不同的预测模型。
2020-02-03 cs.LG econ.EM stat.ML
A review and comparison of strategies for multi-step ahead time series forecasting based on the NN5 forecasting competition
Université Libre de Bruxelles（布鲁塞尔自由大学）；Cairo University（开罗大学）
多步预测仍然是时间序列预测中的一个公开挑战。处理这个复杂问题的几种方法已经在文献中提出，但大量的任务上的广泛比较仍然缺失。本文旨在通过回顾现有的多步预测策略，并在理论和实践方面进行比较，以填补这一空白。为了实现这样的目标，我们使用大型实验基准（即NN5预测竞赛的111系列）对这些不同的策略进行了大规模比较。此外，我们考虑了去季节化，输入变量的选择和预测组合对这些策略和多步提前预测的影响。以下三个发现似乎是一致的实验结果支持：多输出策略是最好的表现方法，去季节化导致统一提高预测精度，输入选择是更有效的，当与去季节化一起执行。
2011-08-16 cs.AI cs.LG stat.AP
Hierarchical forecasting with a top-down alignment of independent level forecasts
Matthias Anderer GmbH（Matthias Anderer有限公司）；Central University of Finance and Economics（中央财经大学）
间歇性时间序列的分层预测在研究和实证研究中都是一个挑战。广泛的研究集中在提高每个层次的准确性，特别是在底层的间歇性时间序列。然后可以使用分层协调来进一步提高整体性能。在本文中，我们提出了一个\emph{hierarchical-forecasting-with-alignment}的方法，把底层的预测作为可变的，以确保更高的预测精度的层次结构的上层。我们采用纯深度学习预测方法N-BEATS用于顶层的连续时间序列，并采用广泛使用的基于树的算法LightGBM用于底层的间歇性时间序列。\emph{hierarchical-forecasting-with-alignment}方法是自下而上方法的一个简单而有效的变体，可以解释在底层难以观察到的偏差。它允许在较低水平上进行次优预测，以保持较高的总体性能。本实证研究中的方法是由第一作者在M5预测准确性竞赛中开发的，排名第二。该方法也是面向业务的，可以有利于企业战略规划。
2021-12-31 cs.LG stat.AP stat.ML
Medium-Term Load Forecasting Using Support Vector Regression, Feature Selection, and Symbiotic Organism Search Optimization
Niroo Research Institute（尼罗研究所）；State University of New York, Binghamton University（纽约州立大学宾汉姆顿大学）
准确的负荷预测一直是电力系统运行规划中不可缺少的重要组成部分。短期负荷预测（STLF）和长期负荷预测（LTLF）分别具有预测精度高和预测概率大的优点，而中期负荷预测（MTLF）由于其在电力系统运行和规划中的重要作用，如机组优化调度、用户服务规划和经济供电等方面的重要作用，受到了越来越多的关注。在这项研究中，一个混合的方法，支持向量回归（SVR）和共生生物体搜索优化（SOSO）的方法，提出了MTLF。在该模型中，支持向量回归机是预测算法的主体部分，SOSO算法被嵌入其中以优化支持向量回归机的参数。此外，在输入数据的预处理中，采用了最小冗余-最大相关特征选择算法。在EUNITE竞赛数据集上对该方法进行了测试，以证明其正确的性能。此外，它与以前的一些作品进行比较，以显示我们的方法的合格性。
2019-06-11 cs.LG cs.NE stat.ML
Performance evaluation of deep neural networks for forecasting time-series with multiple structural breaks and high volatility
Birla Institute of Technology and Science Pilani（比拉理工学院与科学大学皮拉尼分校）
时间序列数据的自动和准确预测问题一直是机器学习和预测社区的一个有趣的挑战。现实世界中的大多数时间序列问题具有非平稳特性，这使得对趋势和季节性的理解变得困难。我们在这篇论文中的兴趣是研究流行的深度神经网络（DNN）作为非平稳TSF的函数逼近器的适用性。我们评估了以下DNN模型：多层感知器（MLP），卷积神经网络（CNN），具有长短期记忆的RNN（LSTM-RNN）和具有门控递归单元的RNN（GRU-RNN）。这些DNN方法已经在10个流行的印度金融股票数据中进行了评估。此外，这些DNN的性能评估已经在两种预测设置的多个独立运行中进行：（1）单步预测，和（2）多步预测。这些DNN方法在单步预测（提前一天预测）方面表现出令人信服的性能。对于多步预测（多天前预测），我们评估了不同预测期的方法。这些方法的性能表明，较长的预测期对性能有不利影响。
2020-07-25 cs.LG cs.NE stat.ML
Meta-Forecasting by combining Global Deep Representations with Local Adaptation
IIT（意大利理工学院）；UCL（伦敦大学学院）；Amazon Web Services（亚马逊云服务）
虽然经典的时间序列预测孤立地考虑单个时间序列，但基于深度学习的最新进展表明，从大量相关时间序列中联合学习可以提高预测准确性。然而，当对样本外时间序列建模时，这些方法的准确性会受到很大影响，与经典预测方法相比，显着限制了它们的适用性。为了弥合这一差距，我们采用元学习的时间序列预测问题的观点。我们引入了一种新的预测方法，称为Meta全局-局部自回归（Meta-GLAR），它通过学习从递归神经网络（RNN）产生的表示到一步预测的封闭形式的映射来适应每个时间序列。至关重要的是，RNN的参数是通过封闭形式的自适应机制通过反向传播在多个时间序列中学习的。在我们广泛的实证评估中，我们表明，我们的方法是有竞争力的国家的最先进的样本预测精度在早期的工作。
2021-11-12 cs.AI cs.LG stat.ML
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
On the retraining frequency of global models in retail demand forecasting
University of Milano-Bicocca（米兰比可卡大学）
研究探讨了在零售需求预测中减少全球模型再训练频率以提高效率和可持续性的方法，并发现较少频繁的再训练策略在保持准确性的同时降低了成本。
2026-01-14 stat.AP stat.ML stat.OT
Forecasting in multivariate irregularly sampled time series with missing values
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；IBM Almaden Research Center（IBM阿尔马登研究中心）
稀疏和不规则采样的多变量时间序列在临床、气候、金融和许多其他领域中很常见。最新的方法侧重于对此类数据的分类、回归或预测任务。在预测中，不仅要预测正确的值，而且要预测该值何时会出现在不规则的时间序列中。在这项工作中，我们提出了一种方法来预测不仅值，而且在他们预计将发生的时间。
2020-04-06 cs.DB cs.LG stat.ML
Multi-task Learning for Financial Forecasting
金融预测是机器学习中具有挑战性和吸引力的研究课题。有许多经典的解决方案，以及许多基于深度学习的方法，提出来处理它，产生令人鼓舞的性能。股票时间序列预测是金融预测中最具代表性的问题。由于股票之间的联系很强，对预测有价值的信息不仅包含在单个股票中，而且包含在与之相关的股票中。然而，以往的研究大多集中在单一的股票上，容易忽略其他股票中有价值的信息。为了利用更多的信息，在本文中，我们提出了一种联合预测方法，同时处理多个时间序列的相关股票，使用多任务学习框架。与以往的工作相比，我们使用多个网络来预测多个相关的股票，通过多任务学习，同时使用它们的共享和私有信息。此外，我们提出了一个注意力方法学习的基础上资本资产定价模型（CAPM）的思想，以帮助预测的共享和私人信息的优化加权组合。各种数据的实验结果表明，改进的预测性能基线方法。
2019-01-22 cs.AI cs.LG stat.ML
Predictive Likelihood for Coherent Forecasting of Count Time Series
提出了一种基于轮廓预测似然函数概念的离散值过程预测新方法。特别是，广义自回归和移动平均（GARMA）模型的泊松分布数据进行了详细的探讨。最高密度区域用于构建预测区域。拟议的预测估计数和区域是一致的。大样本的预测分布的结果。使用模拟和真实数据集的数值研究被用来建立所提出的预测方法的性能。所提出的方法的鲁棒性可能在模型中的误指定也进行了研究。
2018-07-08 stat.AP
Combining Probabilistic Forecasts of Intermittent Demand
针对间歇性需求概率预测研究不足、现有研究忽略库存影响的问题，本研究构建兼顾预测精度与库存效用的概率预测组合方法，实证发现其优于单一方法，但两类性能存在权衡。
2024-04-15 stat.AP
Informed Forecasting: Leveraging Auxiliary Knowledge to Boost LLM Performance on Time Series Forecasting
Texas A&M University（德克萨斯A&M大学）；Georgia Institute of Technology（佐治亚理工学院）
本文提出跨域知识迁移框架，将结构化时间信息注入大语言模型以提升时间序列预测的准确性和泛化能力，实验证明其显著优于无辅助信息的基线。
2025-09-25 cs.LG stat.AP
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
PromptCast: A New Prompt-based Learning Paradigm for Time Series Forecasting
University of New South Wales（新南威尔士大学）
本文提出PromptCast范式，将时间序列数值输入输出转化为自然语言提示，以句到句方式直接利用语言生成模型预测，并构建PISA数据集验证其零样本泛化优势。
2023-12-10 cs.AI cs.CL cs.LG
Good intentions, unintended consequences: exploring forecasting harms
本文通过专家访谈和AI辅助分析，系统识别时间序列预测中的独特伦理风险，提出预测特定危害分类法，并建立减轻危害的研究议程。
2025-03-12 stat.OT
Multiscale Influenza Forecasting
美国的流感预测是复杂和具有挑战性的，原因包括大量的空间和时间变异性，嵌套的预测兴趣的地理尺度，和异构的监测参与。在这里，我们提出了一个灵活的流感预测模型称为但丁，多尺度流感预测模型，学习，而不是规定的空间，时间和监测数据结构。卫生与公众服务部（HHS）区域和国家尺度的预测是由州预测与美国人口普查人口估计成比例的权重的线性组合生成的，从而在嵌套的地理尺度上产生连贯的预测。我们回顾性地比较了Dante对美国2012年至2017年流感季节的州、地区和国家规模的短期和季节性预测与领先的流感预测模型动态贝叶斯模型（DBM）。Dante在几乎所有的空间单位、流感季节、地理尺度和预测目标方面都优于DBM。性能的改善是由于Dante做出的预测，特别是短期预测，比DBM更自信和准确，这表明Dante改进的预测分数也将转化为对公共卫生部门更有用的预测。Dante参加了由疾病控制和预防中心主办的2018/19年度FluSight挑战赛，并在全国和地区比赛以及州比赛中名列第一。支撑Dante的方法可用于存在感兴趣的嵌套地理尺度的其他疾病预测环境。
2019-09-30 stat.AP
Coherent forecasting of NoGeAR(1) model
本文研究新型几何AR(1)（NoGeAR(1)）模型的相干预测，采用蒙特卡洛近似方法获取预测分布，并通过模拟与真实数据验证了其在过分散计数时间序列中的预测能力。
2024-09-27 math.ST stat.ME stat.TH
A novel forecasting framework combining virtual samples and enhanced Transformer models for tourism demand forecasting
School of Computer, Electronics and Information, Guangxi University（广西大学计算机与电子信息学院）；School of Electrical Engineering, Guangxi University（广西大学电气工程学院）；School of Mathematics and Statistics, Xuzhou University of Technology（徐州工程学院数学与统计学院）
针对旅游需求预测中数据稀缺与时空依赖难题，提出结合虚拟样本生成和增强Transformer的新框架，实验显示平均MASE降低18.37%，显著提升预测精度。
2025-03-25 cs.LG stat.AP
Probabilistic forecasting of heterogeneous consumer transaction-sales time series
我们提出了新的贝叶斯方法的消费者销售预测。重点是多步提前预测的日常销售的许多超市项目，我们适应动态计数混合模型来预测个人客户的交易，并引入新的动态二进制级联模型来预测每笔交易的项目计数。这些交易-销售模型可以结合随时间变化的趋势、季节、价格、促销、随机效应和针对单个项目的其他特定于出口的预测因素。序贯贝叶斯分析涉及对解耦项集的快速、并行过滤，并且可跨可能表现出广泛变化的特征的项进行适应性调整。多尺度方法允许随着时间的推移在具有相关模式的项目之间共享信息，以提高预测，同时保持对许多项目的可伸缩性。一个激励性的案例研究，在多项目，多周期，多步提前超市销售预测提供的例子，证明提高预测精度在多个指标，并说明了预测精度评估和比较的全概率模型的好处。保留字：贝叶斯预测去耦/重新耦合;动态二元级联预报校正;间歇性需求;多尺度预测;预测罕见事件;每笔交易的销售额;超市销售预测
2018-08-20 stat.AP stat.ME
Dynamic Time Scan Forecasting
动态时间扫描预测方法依赖于这样的前提：时间序列中最重要的模式在预测窗口之前，即，最后观察到的数值。因此，扫描过程被应用于在整个时间序列中识别相似的模式或最佳匹配。与欧几里德距离或任何距离函数相反，动态地估计相似性函数以便将先前值与最后观察到的值相匹配。拟合优度统计用于找到最佳匹配。使用相应的相似性函数，使用进行最佳匹配的观测值来创建预测模式以及预测区间。值得注意的是，所提出的方法优于统计和机器学习方法在一个真实的情况下风速预测问题。
2019-06-12 eess.SP stat.AP stat.CO
A Hierarchical Spatio-Temporal Analog Forecasting Model for Count Data
1.模拟预测已成功地为各种生态和物理过程提供了可靠的预测。模拟预测是一种无机制的非线性方法，通过检查被认为与当前状态相似的过去状态如何向前移动来预测系统。以前的模拟预测工作通常是在经验或启发式的背景下提出的，而不是正式的统计背景。2.本文提出的模型扩展了McDermott和Wikle（2016）基于模型的模拟方法，将模拟预测置于完全分层的统计框架中。特别是，贝叶斯分层时空泊松模拟预测模型制定。3.与具有潜在动态时空过程的泊松贝叶斯分层模型相比，分层模拟模型始终产生更准确的预测。通过使用贝叶斯方法，分层模拟模型能够严格量化与预测相关的不确定性。4.预测水禽定居模式在美国西北部和加拿大进行应用层次模拟模型的繁殖人口调查数据集。太平洋的海面温度（SST）被用来帮助识别水禽定居模式的潜在类似物。
2017-01-16 stat.ME
An overview of time series point and interval forecasting based on similarity of trajectories, with an experimental study on traffic flow forecasting
本文综述了基于轨迹相似性的时间序列预测方法，提出相似轨迹选择与候选预测组合的新变体，并在加州PEMS交通流数据上比较了点预测和区间预测效果。
2023-09-19 stat.AP stat.ME
On cointegration for modeling and forecasting wind power production
本研究评估协整向量自回归（VAR）模型的性能非常短期和短期的风电功率预测。德国的数据集，包括六个风力发电时间序列的初步结果表明，考虑到潜在的协整关系之间的个别系列可以改善预测在短期的时间范围。
2020-10-15 stat.AP
Improving forecasting by subsampling seasonal time series
时间序列预测在现代商业决策中起着越来越重要的作用。在今天的数据丰富的环境中，人们的目标往往是为他们的数据选择最佳的预测模型。然而，确定最佳模型需要专业知识和经验，这使得准确预测成为一项具有挑战性的任务。为了减轻模型选择的重要性，我们提出了一个简单而可靠的算法，以提高预测性能。具体来说，我们从原始时间序列构造具有不同子季节的多个时间序列。这些衍生系列突出了原始系列的不同次季节模式，使预测方法能够捕捉数据的不同模式和组成部分。随后，我们分别用经典的统计模型（ETS或ARIMA）对这些多个序列进行预测。最后，将预测合并。我们评估我们的方法广泛使用的预测竞争数据集（M1，M3和M4）的点预测和预测区间。我们观察到的性能改进相比，基准。我们的方法是特别适合和强大的数据具有较高的频率。为了证明我们的主张的实用价值，我们展示了我们的方法表现出多种季节性模式的每小时负载数据的性能改进。
2021-12-16 stat.AP
A robust functional time series forecasting method
单变量时间序列通常采用随时间顺序观察的曲线集合的形式。这方面的例子包括每小时地面臭氧浓度曲线。这些曲线可以被看作是在密集网格上以相等间隔观察的函数的时间序列。针对函数时间序列中可能存在各种异常值的问题，提出了一种鲁棒函数时间序列预测方法，以降低异常值对预测的影响。通过基于投影寻踪的鲁棒主成分分析，可以将函数的时间序列分解成一组鲁棒动态函数主成分及其相关得分。曲线预测问题的关键是在估计函数主成分的基础上，通过稳健的向量自回归预测方法对主成分得分进行建模和预测。通过对地面臭氧浓度预测的模拟研究和实证研究，证明了动态函数主成分回归具有较高的预测精度。稳健方法还显示了向量自回归模型中参数的优越估计精度，用于建模和预测主成分得分，从而提高曲线预测精度。
2019-01-17 stat.ME
Basic Singular Spectrum Analysis and Forecasting with R
奇异谱分析（SSA）作为一种分析和预测时间序列的工具。Rssa包的主要特点，实现了SSA算法和方法在R中，描述和使用的例子。通过实例分析，给出了模型的分析、预测和参数估计，并编写了相应的R.
2013-01-18 stat.AP stat.ME
Generative Probabilistic Time Series Forecasting and Applications in Grid Operations
Cornell University（康奈尔大学）
本文提出弱新息自编码器架构，从非参数平稳时间序列中提取独立同分布新息序列，并证明其贝叶斯充分性，在实时电价预测中优于领先的概率预测和点预测方法。
2024-02-21 cs.LG eess.SP stat.AP
Smooth forecasting with the smooth package in R
R语言中有许多与预测相关的软件包，它们的流行程度各不相同，其中最著名的是\texttt{forecast}，它实现了几种重要的预测方法，如ARIMA、ETS、TBATS等。然而，现有功能的主要问题是在修改已实现的模型时，缺乏用于研究目的的灵活性。R软件包\texttt{smooth}引入了一种新的单变量预测方法，在单误差源（SSOE）状态空间形式中实现ETS和ARIMA模型，并实现了用于实验和时间序列分析的高级功能。它建立在SSOE模型的基础上，并通过包括解释变量，多个频率和引入先进的预测工具来扩展它。在本文中，我们将解释该软件包背后的原理，并展示主要功能的工作原理。
2023-01-04 cs.MS stat.AP stat.ME
Two-Part Forecasting for Time-Shifted Metrics
Airbnb, Inc.（爱彼迎）
该研究提出了一种针对事件时间与记录时间不同的领域的两阶段预测方法，通过单变量时间序列和B-DARMA模型实现预订量的分配与预测。
2026-02-16 stat.AP
On a conjectured sharpness principle for probabilistic forecasting with calibration
本文证明了Gneiting，Balabdaoui和Raftery在2007年提出的关于受校准约束的概率预测的锐度原理的弱类型。这一原则的一个强有力的版本仍有待适当的拟订。
2009-02-02 math.PR math.ST stat.TH
A Model-Based Approach for Analog Spatio-Temporal Dynamic Forecasting
模拟预测已经应用于各种领域，用于预测复杂非线性系统的未来状态，这些系统需要灵活的预测方法。过去的模拟方法几乎只在经验框架中使用，而没有基于模型的方法的结构。我们提出了一个贝叶斯模型框架模拟预测，建立在以前的模拟方法，但占参数的不确定性。因此，与传统的模拟预测方法不同，贝叶斯建模的使用允许人们严格量化不确定性，以获得现实的后验预测分布。该模型被应用到5月中旬平均土壤水分异常在爱荷华州的高分辨率网格的空间位置的长时间预测。海表温度（SST）用于查找与当前预测期轨迹相似的过去时间段。模拟模式是根据土壤湿度场和SST场的基本展开式建立的。单独的模型构建落在每个爱荷华州作物报告区（CRD）的位置和预测能力的模型进行比较，对各种替代方法和指标。
2016-02-12 stat.AP stat.ME
Forecasting Italian daily electricity generation disaggregated by geographical zones and energy sources using coherent forecast combination
针对意大利按地理区域和能源来源分解的每日发电量层级预测不一致问题，提出相干平衡多任务预测组合方法，提升了预测准确性与约束相干性。
2025-02-17 stat.AP stat.ME
Solar Irradiance Forecasting Using Triple Exponential Smoothing
由于对全球变暖和过度依赖化石燃料的日益关注，近年来对用于发电的光伏（PV）系统的部署产生了巨大的兴趣。光伏阵列的输出功率在很大程度上取决于太阳辐射等参数。然而，太阳辐射具有间歇性，并且受到快速波动的影响。这就给光伏系统与电网的集成带来了挑战，并要求采用准确的太阳辐照度预测方法。在本文中，我们提出了一个三重指数平滑的预测方法为基础的小时内预测的太阳辐照度在未来的前置时间。我们使用的时间序列数据测量的太阳辐照度，连同晴朗的天空太阳辐照度，预测太阳辐照度高达20分钟的时间。数值评估是使用1年的天气数据，收集的光伏户外测试设施的办公楼的屋顶上，在乌得勒支大学，乌得勒支，荷兰。我们基准我们提出的方法与其他两种常见的预测方法：持久性预测和平均预测。结果表明，TES方法具有更好的预测性能，因为它可以捕捉到太阳辐照度的快速波动，具有相当的准确度。
2018-07-16 physics.ao-ph stat.AP
Probabilistic Load Forecasting via Point Forecast Feature Integration
GEIRI North America（北美电力科学研究院）；State Grid Jiangsu Electric Power Company Ltd.（国网江苏省电力有限公司）
短期负荷预测是电力系统能量管理系统的重要组成部分。近年来，概率负荷预测（PLF）由于其提供不确定性信息的能力，有助于提高系统运行性能的可靠性和经济性而受到越来越多的关注。本文提出了一个两阶段的概率负荷预测框架，将点预测作为一个关键的概率预测功能集成到PLF。在第一阶段，所有相关的特征被用来训练一个点预测模型，并获得特征的重要性。在第二阶段中，考虑点预测特征以及所选择的特征子集来训练预测模型。在预测模型的测试阶段，利用最终的概率负荷预测结果进行点预测和概率预测。采用ISO新英格兰负荷数据进行的算例表明，该方法在小时前负荷预测中是有效的，点预测采用梯度提升回归，概率预测采用分位数回归神经网络.
2019-03-26 cs.LG stat.ML
Classification of load forecasting studies by forecasting problem to select load forecasting techniques and methodologies
University of Liège（列日大学）
本文的主要贡献是提出了一个分类到两个维度的负荷预测研究，以决定在何种情况下使用哪些预测工具。这一分类旨在按预测问题提供相关预测技术和方法的综合视图。此外，总结了所使用的主要技术和方法的关键原则以及这些论文的评论。分类过程依赖于定义预测问题的两对参数。每一篇文章都使用有关所使用的数据集和实现的预测工具的关键信息进行分类：预测技术（概率或确定性）和方法，数据清洗技术和错误度量。选择本文综述的文章的过程分为两个步骤。首先，建立了一套负荷预测研究的基础上，有关的负荷预测评论和预测比赛。第二步是根据下列标准从这一组研究中选出最相关的研究：对所采用的预测技术和方法的说明的质量、对结果的说明以及贡献。这篇论文可以分两遍读.第一种通过识别感兴趣的预测问题来选择相应的类放入四个分类表之一。每一个都引用了在预测范围内分类的所有文章。他们提供了一个综合的观点，预测工具所使用的文章解决类似的预测问题。然后，由四个表格组成的第二个层次总结了有关预测工具和这些研究结果的关键信息。第二遍是阅读主要技术和方法的关键原则以及文章的评论。
2020-03-18 cs.IR cs.LG stat.ML
Scalable high-resolution forecasting of sparse spatiotemporal events with kernel methods: a winning solution to the NIJ "Real-Time Crime Forecasting Challenge"
我们提出了一个通用的时空事件预测方法，我们开发的国家司法研究所（NIJ）的实时犯罪预测挑战。我们的方法是一个时空预测模型相结合的可扩展随机再生核希尔伯特空间（RKHS）的方法近似高斯过程与自回归平滑内核的正则化监督学习框架。虽然平滑核捕获了当前在犯罪预测领域中使用的两种主要方法，即核密度估计（KDE）和自激点过程（SEPP）模型，但是该模型的RKHS分量可以被理解为对流行的对数高斯Cox过程模型的近似。对于推理，我们离散的时空点模式，并学习使用泊松似然和高效的基于梯度的优化方法的对数强度函数。模型超参数，包括RKHS近似的质量，空间和时间的内核长度尺度，自回归滞后的数量，平滑内核的带宽，以及细胞的形状，大小和旋转，使用交叉验证学习。由此产生的预测显着超过基线KDE估计和SEPP模型的稀疏事件。
2019-07-24 stat.AP stat.ML
Large Scale Automated Forecasting for Monitoring Network Safety and Security
实时大规模流数据对预测提出了重大挑战，特别是无视人类专家的存在来执行相应的分析。我们在这里提出了一类模型和方法，用于开发一个自动化的，可扩展的和多功能的系统，面向安全和安全监测的大规模预测。我们的系统提供短期和长期预测，并使用它们来检测与多个互联网连接设备相关的安全和安全问题，提前他们可能会发生。
2018-03-13 stat.AP stat.CO stat.ML
