The Impact of Sampling Variability on Estimated Combinations of Distributional Forecasts
我们调查估计的预测组合的性能和抽样变异性,特别注意预测分布的组合。预测组合中的未知参数根据基于适当的评分规则的标准函数进行优化,所述评分规则被选择以奖励对于手头的问题重要的预测准确性的形式,并且预测性能使用所述评分规则的样本外期望来测量。我们的研究结果提供了新的见解估计预测组合的行为。首先,我们表明,渐近,标准预测组合的性能的抽样变异性仅由估计的组成模型,估计的组合权重贡献任何抽样变异性,在一阶。其次,我们表明,如果计算上可行,预测组合在一个单一的步骤-其中的成分模型和组合函数参数估计联合-具有优越的预测精度和较低的抽样变异性比标准的预测组合-其中的成分模型和组合函数参数估计在两个步骤。这些理论的见解证明了数字,无论是在模拟设置和广泛的实证说明使用标准普尔500指数回报的时间序列。
2022-06-06 econ.EM stat.ME
Bayesian Recurrent Neural Network Models for Forecasting and Quantifying Uncertainty in Spatial-Temporal Data
递归神经网络(RNN)是机器学习和动态系统文献中常用的非线性动态模型,用于表示变量之间的复杂动态或顺序关系。最近,随着深度学习模型变得越来越普遍,RNN已被用于预测越来越复杂的系统。动态时空过程代表了一类复杂的系统,可以从这些类型的模型中受益。尽管RNN文献广泛且高度发达,但不确定性量化常常被忽视。即使在考虑时,不确定性通常也没有使用严格的框架(例如完全贝叶斯设置)进行量化。在这里,我们试图在一个更正式的框架中量化不确定性,同时保持预测的准确性,使这些模型具有吸引力,通过提出一个贝叶斯RNN模型的非线性时空预测。此外,我们对基本RNN进行了简单的修改,以帮助适应非线性时空数据的独特性质。该模型被应用到洛伦兹模拟和两个现实世界的非线性时空预测应用。
2018-02-07 stat.ME stat.ML
Probabilistic Forecast Combination for Anomaly Detection in Building Heat Load Time Series
研究了建筑热负荷时间序列的自动异常检测问题。异常检测模型必须适用于不同的建筑群,并提供可靠的结果,热负荷时间序列低信噪比,几个季节性,和显着的外源性影响。我们建议采用一种概率预测组合方法的基础上合奏的确定性预测异常检测方案,根据其概率预测分布下的观测值进行分类。我们的经验表明,预测为基础的异常检测提供了更好的准确性时,采用预测组合方法。
2021-11-16 stat.AP
Multi-objective probabilistic forecast combination for inventory demand
School of Economics and Management, Beihang University(北京航空航天大学经济管理学院);School of Management, University of Bath(巴斯大学管理学院)
针对现有概率预测组合方法忽略运营目标的问题,提出多目标优化框架,同时优化预测准确性和库存决策性能,在沃尔玛零售和英国皇家空军备件数据上验证了其平衡性和鲁棒性。
2026-06-03 stat.AP
A Forecast Combination Framework for Hierarchical and Grouped Time Series Reconciliation
Beihang University(北京航空航天大学);Tsinghua University(清华大学);Saïd Business School, University of Oxford(牛津大学赛德商学院)
该研究提出用于分层与分组时间序列协调的预测组合框架,将预测组合与协调关联,证明MinT协调等价于最优预测组合,提出模块化惩罚框架,该框架实用且可提升预测准确性。
2026-08-18 stat.ME
High-dimensional point forecast combinations for emergency department demand
Lee Kong Chian School of Medicine, Nanyang Technological University(南洋理工大学李光前医学院);Department of Economics, Rutgers University(罗格斯大学经济学系);Saw Swee Hock School of Public Health, National University of Singapore(新加坡国立大学 Saw Swee Hock 公共卫生学院);Ministry of Health, Singapore(新加坡卫生部);Tan Tock Seng Hospital, Singapore(新加坡陈笃生医院)
本文研究高维点预测组合在急诊部门需求预测中的应用,通过结合多种模型提高预测准确性和稳定性,展示组合预测在不同疾病和时间跨度上的有效性。
2025-01-20 q-bio.QM stat.AP stat.ML
SGA: Uncertainty Quantification for Multi-Step Forecasting in Time Series Foundation Models
Siemens Data and AI Research(西门子数据与人工智能研究院);Nanjing University – Siemens Joint Research Center on Industrial AI(南京大学-西门子工业人工智能联合研究中心)
提出SGA方法,通过有向无环图刻画预测分支拓扑并整合随机性量化多步TSFM预测不确定性,实验验证其排序性能和缩放定律。
2026-09-25 cs.AI cs.LG stat.ML
Forecast combination based forecast reconciliation: insights and extensions
在最近的一篇论文中,在阐明预测组合和横截面预测协调之间的联系的同时,Hollyman等人(2021)提出了一种基于预测组合的方法来协调简单的层次结构。一个新的水平条件相干(LCC)点预测和解程序的开发,它表明,一组LCC的简单平均,自下而上的和解预测(称为组合条件相干,CCC)的结果在良好的性能相比,通过国家的最先进的横截面和解程序。在本文中,我们沿着一些新的方向建立和扩展这一建议。(1)我们揭示了LCC和解公式的性质和数学推导,表明它是一个外生线性约束的二次损失函数的最小化的结果,在目标和基础预测与对角关联矩阵之间的差异。(2)内生约束也可以考虑,导致所有相关序列的水平条件调和预测,其中上部和下部时间序列都被一致地修正。(3)由于LCC程序不保证非负的调和预测,我们认为,当非负是一个自然属性的变量进行预测-其解释为一个公正的自上而下的和解程序留下了一些疑问。(4)新的程序中使用的经典澳大利亚旅游需求(游客夜)数据集的预测实验。由于用于计算基本预测的(可能不同的)模型所发挥的关键作用,我们将Hollyman et al.(2021)的CCC调和重新解释为预测池方法,表明采用简单的预测平均策略可以提高准确性。
2021-06-10 stat.AP
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
TSCoNet: A Two-Stage Copula CNN-LSTM for Uncertainty-Aware Spatio-Temporal Forecasting
Department of Mathematical Sciences, Ball State University(数学科学系,巴尔的摩州立大学);Statistics Discipline, Division of Science and Mathematics, University of Minnesota-Morris(统计学学科,明尼苏达-莫里斯大学)
研究针对多变量时空预测中不确定性难处理的问题,提出TSCoNet模型,它是结合高斯Copula的两阶段卷积循环模型,能同时准确预测多个变量并量化不确定性,为多变量时空数据提供准确点预测和可靠不确定性。
2026-08-12 cs.LG stat.ML
Data-driven Calibration Sample Selection and Forecast Combination in Electricity Price Forecasting: An Application of the ARHNN Method
organization= Department of Operations Research;Business Intelligence, Wroc aw University of Science
本文应用ARHNN方法于电价预测,通过校准样本选择与预测组合提升精度,优于基准达10%,并简化变体降低计算成本,在电池储能交易中实现80%理论最大利润。
2025-10-16 stat.AP stat.ML
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
Beyond Point Forecasts: A Survey on Probabilistic Forecasting for Time Series and Spatiotemporal Data
Sorbonne University Abu Dhabi(阿布扎比索邦大学);Sorbonne Université(索邦大学)
本综述统一了概率预测方法论,通过跨范式实证研究揭示不同不确定性量化范式的适用性,并指出未来挑战。
2026-09-15 cs.LG econ.EM 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
Forecasting under model uncertainty:Non-homogeneous hidden Markov models with Polya-Gamma data augmentation
本文研究了两状态非齐次隐马尔可夫模型(NHHMM)对单变量时间序列的预测。给定一组预测因子,时间序列通过具有状态相关系数和时变转移概率的预测回归来建模,所述时变转移概率通过逻辑函数依赖于预测因子。在隐马尔可夫设置中,逻辑斯谛回归系数的推断变得复杂,并且在某些情况下由于收敛问题而不可能。在本文中,我们的目标是解决这个问题,使用一个新的潜变量计划,利用Pólya-Gamma类的分布。我们允许模型的不确定性的预测,影响系列线性-在平均值-和非线性-在过渡矩阵。预测器的选择和推断的模型参数的基础上的MCMC计划与可逆的跳跃步骤。单步和多步预测是通过最可能的模型,中位数概率模型或贝叶斯模型平均方法获得的。使用模拟实验,我们说明了我们的算法在各种设置的性能,在混合属性,模型选择和预测能力。对已实现波动率数据的实证研究表明,我们的方法提供了改进的预测相比,基准模型。
2019-07-30 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
CAMul: Calibrated and Accurate Multi-view Time-Series Forecasting
Georgia Institute of Technology(佐治亚理工学院);College of Computing(计算学院)
概率时间序列预测可以在许多领域做出可靠的决策。大多数预测问题都有不同的数据来源,包含多种模式和结构。利用这些数据来源的信息和不确定性进行校准良好和准确的预测是一个重要的挑战性问题。以前大多数关于多模态学习和预测的工作只是通过简单的求和或级联方法从每个数据视图中聚合中间表示,并且没有明确地为每个数据视图建模不确定性。我们提出了一个通用的概率多视图预测框架CAMul,它可以从不同的数据源中学习表示和不确定性。它以动态的特定于上下文的方式集成来自每个数据视图的知识和不确定性,为有用的视图分配更多的重要性,以模拟校准良好的预测分布。我们将CAMul用于具有不同来源和形式的多个域,并表明CAMul在准确性和校准方面优于其他最先进的概率预测模型25%以上。
2022-02-25 cs.AI cs.LG stat.ML
Time-series Scenario Forecasting
Windlogics Inc.(Windlogics公司)
许多应用需要判断时间序列预测的不确定性的能力。不确定性通常被指定为围绕平均值或中位数预测的逐点误差条。由于时间依赖性,这种方法掩盖了一些信息。理想情况下,我们应该有一种方法来查询给定预测变量的整个时间序列的后验概率,或者至少能够从这个分布中提取样本。我们使用贝叶斯字典学习算法来统计生成预测的集合。我们表明,该算法执行以及基于物理的集成方法的温度预测休斯顿。我们的结论是,该方法显示出前景的情况下,基于物理的方法是缺席预测。
2012-11-13 cs.LG stat.AP stat.ML
Probabilistic Forecasting of Climate Policy Uncertainty: The Role of Macro-financial Variables and Google Search Data
SAFIR, Sorbonne University Abu Dhabi(阿布扎比索邦大学);Indian Institute of Management, Bodhgaya(博德加亚印度管理学院);Sorbonne Center for Artificial Intelligence, Sorbonne University, Paris(巴黎索邦大学人工智能中心)
本文通过宏观金融变量和谷歌搜索数据预测气候政策不确定性,揭示了家庭金融脆弱性、房地产市场活动等关键因素的影响,并利用BSTS框架实现概率预测,为适应性气候政策提供依据。
2026-01-19 econ.EM stat.AP
AA-Forecast: Anomaly-Aware Forecast for Extreme Events
University of Central Florida(中佛罗里达大学);Baidu Inc.(百度公司)
时间序列模型通常处理极端事件和异常,这两者在现实世界的数据集中都很普遍。这些模型往往需要提供仔细的概率预测,这对于飓风和流行病等极端事件的风险管理至关重要。然而,自动检测和学习使用大规模数据集的极端事件和异常是具有挑战性的,这通常需要手动操作。因此,我们提出了一个异常感知的预测框架,利用以前看到的异常的影响,以提高其预测精度期间和之后的极端事件的存在。具体而言,该框架自动提取异常,并通过注意机制将其纳入,以提高其对未来极端事件的准确性。此外,该框架采用动态不确定性优化算法,以在线方式减少预测的不确定性。该框架在三个数据集上表现出一致的优越准确性,具有较低的不确定性,这些数据集与当前的预测模型具有不同的异常。
2022-08-21 cs.LG stat.ML
Deep Echo State Networks with Uncertainty Quantification for Spatio-Temporal Forecasting
Jupiter Intelligence;University of Missouri(密苏里大学)
时空系统的长时间预测往往需要复杂的非线性动力学,很难事先确定。目前用于对这些过程进行建模的统计方法学通常是高度参数化的,因此,从计算的角度来看,实现具有挑战性。这个问题的一个潜在的简约解决方案是来自动力系统和工程文献的称为回声状态网络(ESN)的方法。ESN模型使用所谓的{ \it reservoir computing}来有效地计算递归神经网络(RNN)预测。此外,所谓的“深度”模型最近已被证明是成功的预测高维复杂的非线性过程,特别是那些具有多个空间和时间尺度的变化(如我们经常发现的时空环境数据)。在这里,我们介绍了一个深集成ESN(D-EESN)模型。我们提出了两个版本的时空过程,既产生预测和相关措施的不确定性,这个模型。第一种方法利用自举集成框架,第二种是在一个分层贝叶斯框架(BD-EESN)。这种更一般的分层贝叶斯框架自然适应非高斯数据类型和多层次的不确定性。该方法首先应用于一个新的非高斯多尺度洛伦兹-96动力系统模拟模型模拟的数据集,然后应用于一个长时间领先的美国(美国)土壤墒情预报应用
2018-09-03 cs.LG stat.ML
Mamba time series forecasting with uncertainty quantification
Center for Biological Physics(生物物理中心);Department of Physics(物理系);School of Molecular Sciences(分子科学学院)
本文提出Mamba-ProbTSF双网络框架,通过对方差建模量化Mamba时间序列预测的不确定性,并在合成与真实基准上验证其能提供约95%覆盖率的两西格玛不确定性区间。
2025-06-11 cs.LG nlin.CD stat.ML
Optimizing accuracy and diversity: a multi-task approach to forecast combinations
National Research Council(国家研究理事会);Sapienza University of Rome(罗马萨皮恩扎大学)
提出一种基于深度学习架构的多任务优化方法,通过联合选择与组合预测模型,同时考虑准确性和多样性,提升时间序列点预测精度。
2026-05-31 cs.LG math.OC stat.ML
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
Forecast combinations: an over 50-year review
预测组合在预测界得到了显著的发展,近年来已成为预测研究和活动的主流。现在广泛采用将从单一(目标)系列产生的多个预测结合起来的办法,通过整合从不同来源收集的信息来提高准确性,从而减少确定单一“最佳”预测的风险。组合方案已经从没有估计的简单组合方法发展到涉及时变权重、非线性组合、组件之间的相关性和交叉学习的复杂方法。它们包括组合点预测和组合概率预测。本文提供了一个最新的审查广泛的文献预测组合,连同参考可用的开源软件实现。我们讨论了各种方法的潜力和局限性,并强调了这些想法是如何随着时间的推移而发展的。一些重要的问题,有关的效用预测组合进行了调查。最后,我们总结了目前的研究差距和未来研究的潜在见解。
2022-09-23 stat.AP stat.CO stat.ME
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
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
Modeling uncertainty in the covariance matrix for probabilistic forecast reconciliation
University of Pavia(帕维亚大学);SUPSI, Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)(瑞士应用科学与艺术大学,达莱·莫勒人工智能研究所)
本文提出一种贝叶斯协调模型,通过逆 Wishart 先验和高斯残差假设,使协调后的预测分布服从多元 t 分布,从而改进预测区间。
2026-09-04 stat.CO stat.ME
Forecast Combination Under Heavy-Tailed Errors
预测组合已被证明是一种非常重要的技术,以获得准确的预测。在许多应用中,由于各种原因,预测误差表现出重尾行为。不幸的是,据我们所知,几乎没有做什么来处理这种情况下的预测组合。常见的预测组合方法,如简单平均、最小二乘回归或基于预测的方差-协方差的组合方法,可能表现得很差。在本文中,我们提出了两个非参数预测组合方法来解决这个问题。一个是专门提出的情况下,预测误差被强烈认为有重尾,可以模拟的缩放学生的t-分布;另一个是专为相对更一般的情况下,由于缺乏数据和/或不断变化的数据生成过程中的尾部行为的预测误差缺乏强有力的或一致的证据。这两种方法的自适应风险界。仿真和一个实例表明了新方法的优越性能。
2015-08-26 stat.ME
Optimal Forecast Reconciliation with Uncertainty Quantification
Technical University of Denmark(丹麦技术大学)
本研究提出在一般线性模型中估计预测协调权重矩阵以量化不确定性,利用正交投影和Wishart分布推导协方差估计,证明距离缩减性质,并通过模拟和瑞典电力负荷案例验证改进。.
2026-11-09 stat.ME
Probabilistic forecast of nonlinear dynamical systems with uncertainty quantification
本文通过扩展并行部分高斯过程和建立动态模式分解的概率生成模型,对非线性动力系统预测进行不确定性量化,并统一了多种数据驱动模型的生成视角。
2023-10-30 physics.data-an stat.AP stat.ME
Optimizing Forecast Combination Weights Using Exponentially Weighted Hit and Win Rate Losses
本文针对分析师预测汇总中的收入预测问题,提出使用指数加权命中率和胜率损失函数优化组合权重,并开发贝叶斯插补框架处理缺失预测,实证表明该方法优于传统等权重和线性组合基准。
2025-03-25 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
Quantifying Uncertainty with a Derivative Tracking SDE Model and Application to Wind Power Forecast Data
我们开发了一种基于参数伊藤随机微分方程(SDEs)的数据驱动方法,以捕获预测误差的真实非对称动态。我们的预测框架具有时间导数跟踪的预测,随时间变化的均值回归参数,和改进的状态依赖扩散项。证明的存在性,强唯一性,和有界性的非线性解决方案的原则条件下,随时间变化的均值回复参数。通过在原始预测误差空间和Lamperti空间中的矩匹配技术构建的基于近似似然的推断,通过数值优化程序进行。我们提出了另一个贡献的基础上的固定点似然优化方法在Lamperti空间。所有的程序都是预测技术不可知的,它们可以在不同的预测提供商之间进行比较。我们应用我们的可持续发展框架来模拟2019年4月至12月期间乌拉圭的历史标准化风电产量和预测数据。尖锐的经验置信带的未来风力发电的最佳选择的模型。
2021-02-09 stat.ME
Uncertainty Quantification in Forecast Comparisons
University of Wuppertal(伍珀塔尔大学);Heidelberg Institute for Theoretical Studies(海德堡理论研究所);Goethe University Frankfurt, Faculty of Economics and Business(法兰克福歌德大学经济与商业学院);Marburg University, Department of Mathematics and Computer Science(马尔堡大学数学与计算机系)
针对预测评估中多维比较的不确定性量化缺失,提出同时置信带方法,适用于多种预测类型,并验证其有效性及实际应用价值。
2026-10-02 econ.EM physics.ao-ph stat.ME
On the Forecast Combination Puzzle
本文探讨了预测组合难题的成因,提出多级AFTER策略以解决该问题,通过模拟和实证分析揭示了预测组合场景的重要性。
2015-05-03 econ.GN q-fin.EC 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
Uncertainty Intervals for Prediction Errors in Time Series Forecasting
本文系统研究时间序列预测中预测误差的不确定性区间,区分随机测试误差与期望测试误差,提出基于分位数的前向交叉验证(QFCV)方法构建具有渐近有效覆盖率的预测区间,并结合自适应保形预测处理非平稳序列,克服了传统基于CLT的FCV方法因时间相关性而失效的缺陷。
2023-09-14 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
A Stochastic Online Forecast-and-Optimize Framework for Real-Time Energy Dispatch in Virtual Power Plants under Uncertainty
Alibaba Group(阿里巴巴集团)
本文提出一种面向虚拟电厂实时能量调度的随机在线预测与优化框架,融合深度学习预测、随机优化及在线数据增强,并在CityLearn Challenge 2022中夺冠。
2023-09-15 cs.AI cs.LG cs.SY