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
Comparison of Deep learning models on time series forecasting : a case study of Dissolved Oxygen Prediction
University of Pennsylvania(宾夕法尼亚大学)
最近,深度学习在序列学习领域取得了令人印象深刻的预测性能。溶解氧预测作为一种时间序列预测,适合于该技术。虽然许多研究者已经开发出基于深度学习技术的混合模型或变体模型,但目前还没有对该领域的深度学习模型进行全面、合理的比较。此外,以前的大多数研究都集中在使用小数据集进行一步预测。由于可以方便地获取高频数据,本文通过使用向前走验证来比较多步深度学习预测。具体来说,我们基于2012 - 2016年长江固定观测点自动记录的实时数据,对卷积神经网络(CNN)、时间卷积网络(TCN)、长短期记忆(LSTM)、门控递归单元(GRU)、双向递归神经网络(BiRNN)进行了测试。通过比较各时间步的均方根误差(RMSE)、平均绝对误差(MAE)和决定系数的平均累积统计度量,发现对于多步时间序列预测,各时间步的平均性能并不是线性下降的。GRU优于其他型号,具有显著优势。
2019-11-21 cs.LG eess.SP stat.AP
Localized solar power prediction based on weather data from local history and global forecasts
Carnegie Mellon University(卡内基梅隆大学)
本文提出利用时间序列模型结合外生输入,结合本地历史天气和全球预报数据,实现18小时提前预测,准确率达约80%。
2018-08-27 cs.SY eess.SY math.OC
A Novel Hybrid Approach to Contraceptive Demand Forecasting: Integrating Point Predictions with Probabilistic Distributions
Cardiff University(卡迪夫大学);Cardiff Business School(卡迪夫商学院)
本文提出一种结合特定领域模型点预测与统计机器学习概率分布的混合模型,通过引入专家知识微调系统预测,有效解决了发展中国家避孕药具需求预测中的数据不确定性问题。
2025-03-07 cs.LG stat.AP stat.ME
Spaghetti prediction: A robust method for forecasting short time series
描述并演示了一种预测时间序列的新方法。该方法输入时间序列数据点,并输出多个“意大利面条”函数,从中可以进行预测。Spaghetti预测具有经典的自回归、移动平均、样条、高斯过程和其他方法所不能实现的期望特性。它特别适用于短时间序列,因为它允许非对称预测分布,并产生鲁棒的预测函数,因为它们使用多个独立的模型。
2014-03-27 stat.ME
Prediction of hierarchical time series using structured regularization and its application to artificial neural networks
University of Tsukuba(筑波大学);Fujitsu Laboratories Ltd.(富士通实验室有限公司)
本文讨论了层次时间序列的预测,其中每个上层时间序列是通过求和适当的下层时间序列计算的。对这种层次时间序列的预测应该是一致的,这意味着对上层时间序列的预测等于对相应下层时间序列的预测之和。以前的方法,使连贯的预测包括两个阶段:第一计算基础(不连贯)的预测,然后调和这些预测的基础上,其固有的层次结构。为了改善时间序列预测,我们提出了一种结构化正则化方法,同时完成这两个阶段。该方法基于底层时间序列的预测模型,并使用结构化正则化项将上层预测纳入预测模型。我们还开发了一个反向传播算法专门应用我们的方法,人工神经网络的时间序列预测。使用合成和真实世界的数据集的实验结果表明,我们的方法在预测精度和计算效率方面的优越性。
2020-07-30 cs.LG stat.ML
Online conformal inference for multi-step time series forecasting
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);Department of Econometrics & Business Statistics, Monash University(蒙纳士大学计量经济学与商业统计系)
本文提出AcMCP方法,用于多步时间序列预测中的分布无关预测区间构造,通过引入自相关性提高预测效率,并在有限样本下保证覆盖精度。
2026-11-06 stat.ME
Long-Term Online Smoothing Prediction Using Expert Advice
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院)
对于专家建议设置的预测,我们构造的预测算法所遭受的损失不会比池中的任何专家都多。与标准方法相比,我们研究了时间序列的长期预测情况,并考虑两种情况。在第一个中,在每个步骤$t$中,学习者必须组合专家针对前面的时间间隔$[t+1, t+d]$发布的点预测。我们的方法意味着,在每个时间步专家发布任意多个步骤的点预测,然后学习者(算法)将这些预测和之前的预测结合成一个矢量预测步骤$[t+1,t+d]$。通过结合过去和当前的长期预测,我们获得了一种平滑机制,可以保护我们的算法免受临时趋势变化、噪声和离群值的影响。在第二种情况下,在每一步,$t$专家发布一个预测函数,学习者必须将这些函数组合成一个函数,用于长期时间序列预测。对于每一种情况下,我们开发了一个算法,结合专家的预测和证明$O(\ln T)$对抗性遗憾上限两种算法。
2019-02-27 cs.LG stat.ML
Spatio-temporal Stacked LSTM for Temperature Prediction in Weather Forecasting
KU Leuven(鲁汶大学)
长短期记忆(LSTM)是一种广泛应用于序列学习和时间序列预测的方法。在本文中,我们将堆叠LSTM模型部署在天气预报的应用中。我们提出了一个2层时空堆叠LSTM模型,它由第一层LSTM层中每个位置的独立LSTM模型组成。随后,基于第一层LSTM模型的隐藏状态的组合来形成第二层LSTM层的输入。实验表明,通过利用空间信息,堆叠LSTM模型的预测性能在大多数情况下都有所提高。
2018-11-15 cs.LG stat.ML
A New Metric for Lumpy and Intermittent Demand Forecasts: Stock-keeping-oriented Prediction Error Costs
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
产品需求预测对于物流和生产的短期和长期优化至关重要。因此,最准确的预测可能是可取的。为了最佳地训练预测模型,需要通过适当的度量来评估预测与实际需求相比的偏差。然而,如果度量不代表实际的预测误差,则预测模型未被充分优化,并且因此将产生不准确的预测。然而,诸如MAPE或RMSE的最常见的度量不适合于预测误差的评估,特别是对于不稳定和间歇性需求模式,因为它们不足以解释例如,时间变化(在实际需求之前或之后的预测)或成本相关方面。因此,我们提出了一个新的指标,除了统计考虑,还解决了业务方面。此外,我们根据汽车售后市场的模拟和实时需求时间序列评估该指标。
2020-04-22 cs.LG q-fin.GN stat.ML
A Spatio-Temporal Spot-Forecasting Framework for Urban Traffic Prediction
Artificial Intelligence Department Universidad Nacional de Educación a Distancia — UNED(西班牙马德里国立远程教育大学(UNED)人工智能系)
时空预测是一个开放的研究领域,其兴趣呈指数增长。在这项工作中,我们专注于为时空交通预测创建一个复杂的深度神经框架,该框架具有相对非常好的性能,并且显示出在几种时空条件下的适应性,同时保持易于理解和解释。我们的建议是基于一个可解释的注意力为基础的神经网络,其中几个模块相结合,以捕捉关键的时空时间序列组件。通过大量的实验,我们展示了我们的方法的结果是如何稳定的,比其他国家的最先进的替代品。
2020-04-01 cs.LG eess.SP stat.ML
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
A depth-based method for functional time series forecasting
提出了一种对函数时间序列进行预测的方法。该方法适用于数据来自周期性相关的过程和电力需求,获得准确的点预测和窄的预测带,覆盖高比例的预测功能数据,对于给定的置信水平。该方法是计算效率和其他功能时间序列的方法,提供了一个新的见解,这些数据结构的分析有很大的不同。
2018-06-28 stat.CO stat.ME
Probabilistic bias adjustment of seasonal predictions of Arctic Sea Ice Concentration
Environment and Climate Change Canada(加拿大环境与气候变化部)
本文提出了一种基于条件变分自动编码器的概率误差校正框架,用于提高北极海冰浓度季节预测的准确性与可靠性。
2026-02-07 cs.AI cs.LG physics.ao-ph
Forecasting with time series imaging
Beihang University(北京航空航天大学);Central University of Finance and Economics(中央财经大学)
基于时间序列的时间序列表示在广泛的时间序列分析方法中引起了极大的关注。近年来,利用时间序列特征进行预测模型平均已成为预测界的一个新兴研究热点。然而,大多数现有的方法依赖于手动选择一组适当的功能。利用机器学习方法从时间序列中自动提取特征在最先进的时间序列分析中变得至关重要。在本文中,我们介绍了一种自动化的方法来提取时间序列特征的基础上时间序列成像。我们首先将时间序列转换成递归图,从其中可以使用计算机视觉算法提取局部特征。提取的特征用于预测模型平均。我们的实验表明,预测的基础上自动提取的功能,更少的人为干预和更全面的原始时间序列数据,产生高度可比的性能与最大的预测竞争数据集(M4)的最佳方法,并优于旅游预测竞争数据集的顶级方法。
2020-06-05 cs.CV cs.LG stat.CO
Functional Time Series Forecasting: Functional Singular Spectrum Analysis Approaches
Marquette University(马凯特大学);Persian Gulf University(波斯湾大学)
本文提出了两种用于函数型时变数据预测的非参数方法,即函数型奇异谱分析递归预测和向量预测。这两种算法都利用功能奇异谱分析和过去的观察结果,以预测未来的数据点,其中经常性预测预测一个功能的时间和向量预测使用功能向量进行预测。我们将我们的预测方法与通过模拟和真实数据预测功能性时变数据的金标准算法进行比较,我们发现我们的技术对周期性随机过程做得更好。
2021-01-26 cs.LG stat.ML
SPINEX-TimeSeries: Similarity-based Predictions with Explainable Neighbors Exploration for Time Series and Forecasting Problems
University of Manitoba(曼尼托巴大学);Clemson University(克莱姆森大学);Artificial Intelligence Research Institute for Science and Engineering (AIRISE), Clemson University(克莱姆森大学科学与工程人工智能研究院(AIRISE))
该研究提出面向时间序列预测的SPINEX新算法,利用多尺度相似性与高阶时间交互提升性能,在49个数据集上对比18种算法,精度稳居前5且具备可解释性与中等复杂度,为预测分析提供新方向。
2024-08-04 cs.LG stat.CO stat.ME
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
Future Energy Consumption Prediction Based on Grey Forecast Model
利用灰色预测模型对美国四个州的未来能源消费量进行了预测,并对模型进行了改进。
2018-04-05 stat.AP
Chimeric forecasting: combining probabilistic predictions from computational models and human judgment
对传染源的轨迹进行预测可以帮助指导公共卫生决策。传统的预测方法将计算模型与结构化数据拟合,并生成预测分布。然而,人类判断可以访问与计算模型相同的数据,加上经验,直觉和主观数据。我们提出了一个嵌合集成-计算和人类的判断预测相结合-作为一种新的方法来预测的传染性病原体的轨迹。从2021年1月至2021年6月,我们每个月都要求两个通才群体,使用与COVID-19 Forecast Hub相同的标准,提交未来两周或三周美国国家层面的事件病例和死亡的预测分布,并将这些人类判断预测与提交给COVID-19 ForecastHub的计算模型的预测组合成嵌合集合。我们发现一个嵌合合奏相比,合奏包括只计算模型提高了预测的事件的情况下,并显示出类似的性能预测的事件死亡。嵌合系综是一种灵活的,支持性的公共卫生工具,并显示出有希望的结果预测的传染性病原体的传播。
2022-02-20 stat.AP
Post-processing numerical weather prediction ensembles for probabilistic solar irradiance forecasting
为了实现向可再生能源的过渡,概率性能源预测对于将诸如太阳能之类的不稳定电源并入电网至关重要。太阳能预测方法通常旨在提供太阳辐照度的概率预测。特别是,许多混合方法将数值天气预报模型的物理信息与统计方法相结合。尽管物理模型可以在当天和前一天的预报范围内提供有用的信息,但多个模型运行的集合天气预报往往没有校准,并显示出系统性偏差。我们提出了一个后处理模型的集合天气预报的太阳辐照度在30分钟和6小时之间的时间分辨率。所提出的模型提供概率预测的形式审查的逻辑概率分布的交货时间长达5天,并在两个案例研究,包括不同的物理模型,地理区域,时间分辨率,和类型的太阳辐照度进行评估。我们发现,后处理一致,显着提高了集合预测的预测性能,至少提前48小时,并能够很好地纠正系统缺乏校准。
2021-03-02 stat.AP
The Zoltar forecast archive: a tool to facilitate standardization and storage of interdisciplinary prediction research
预测已成为一个重要组成部分,知情,数据驱动的决策在一系列广泛的领域。我们引入了一种新的数据模型,用于概率预测,包括广泛的预测设置。该框架明确定义了概率预测的组成部分,并提出了一种表示这些数据元素的方法。数据模型在Zoltar中实现,Zoltar是一种新的软件应用程序,使用数据模型存储预测,并提供标准化的API访问数据。在一个实时案例研究中,Zoltar Web应用程序的一个实例用于存储、访问和评估$^7$ 10行左右的实时预测数据,这些数据由来自学术界和工业界的20多个国际研究团队提供,对美国的COVID-19疫情进行预测。概率预测的工具和数据基础设施,如本文介绍的工具和数据基础设施,将在确保未来的预测研究遵守一套严格和可重复的标准方面发挥越来越重要的作用。
2020-06-06 stat.AP
The application of sub-seasonal to seasonal (S2S) predictions for hydropower forecasting
入库流量预报在水电站水库管理中起着至关重要的作用。预测帮助运营商提前安排发电,以最大限度地提高经济价值,减轻下游洪水风险,并满足环境要求。业务入流预报的范围通常限于未来2周,这标志着确定性天气预报的可预测性障碍。可靠的次季节至季节(S2S)范围内的流入预测将使运营商能够采取积极行动,以减轻不利天气条件的风险,从而改善水资源管理并增加收入。本研究概述了一种方法,得出熟练的S2S流入预测使用的案例研究水库在苏格兰高地。我们通过训练一个线性回归模型,将观测到的流入量与欧洲中期天气预报中心(ECMWF)的S2S集合降水预测相结合,生成集合流入量预测。随后,后处理技术,从Enhancement模型输出统计得出校准的S2S概率入流预测,没有一个单独的水文模型的应用程序。我们发现,S2S概率流入预测持有技能相对于气候预测长达6周。与夏季相比,冬季的入流预测具有更高的技巧。然而,这些预测很难预测夏季的高流入量,即使是在很短的筹备时间内。使用程式化的成本模型,证实了S2S概率流入预测,以改善水资源管理和提供更高的经济价值的潜力。虽然应用于水电预测,这里提出的结果和方法是相关的水资源管理和S2S预测应用的更广泛的领域。
2021-08-13 stat.AP
Aggregating predictions from experts: a scoping review of statistical methods, experiments, and applications
预测支持各种应用中的决策制定。统计模型可以在给定大量训练数据的情况下产生准确的预测,但是当数据稀疏、快速变化或不可用时,统计模型可能无法做出准确的预测。专家判断预测--将专家生成的预测组合成单个预测的模型--可以在训练数据有限时依靠专家直觉代替具体的训练数据进行预测。研究人员已经提出了一系列算法来将专家预测组合成一个单一的预测,但在最佳聚合模型上没有达成共识。这一范围审查调查了最近的文献聚合专家引发的预测。我们收集了通用术语、汇总方法和预测性能指标,并提供指导,以加强未来正在加速增长的工作。
2020-05-16 stat.AP
Prediction Markets Underperform Simple Baselines For Infectious Disease Forecasting
本文评估了预测市场在传染病预测中的表现,发现其在流感和麻疹预测中均无法超越传统基准,指出市场效率低下源于对不可能结果的概率分配和低交易量。
2026-05-11 stat.AP
Seamless prediction of high-impact weather events: a comparison of actionable forecasts
本文提出一种基于对角评分的新高影响天气指数,并与EFI等集合统计量比较,证明其在较长预见期具有更强判别能力,为高影响天气无缝预测奠定基础。
2023-12-04 stat.AP
Forecasting Extreme Temperatures in Siberia Using Supervised Learning and Conformal Prediction Regions
针对多种热浪定义分歧,研究利用Aqua遥感数据和受试者内设计,以监督学习直接预报俄罗斯远东连续31天的两周后极端高温,并用保形预测区域给出至少0.75覆盖率的不确定性评估。
2025-03-20 stat.AP
Probabilistic prediction of the time to hard freeze using seasonal weather forecasts and survival time methods
农业粮食生产和自然生态系统取决于一系列描述气候条件季节模式的季节性气候指标。本文提出了一个概率预报框架,用于预测无冰季节的结束,或时间到平均每日近地面气温低于0 $^\circ$ C(这里称为硬冻结)。该预测框架基于Copernicus气候数据存储提供的多模型季节预测集合,并使用生存分析技术来获取事件时间数据。原始的平均日温度预测是统计后处理的平均值和方差校正的每个模型系统之前,时间到事件的预测构建。在一个案例研究中,在芬诺斯坎迪亚地区覆盖挪威的1993-2020年期间,建议的预测被发现优于气候学预测从基于观测的数据产品的位置,平均预测时间到硬冻结是小于40天后,10月1日的预测初始化日期。
2022-01-04 stat.AP
Integrative Density Forecast and Uncertainty Quantification of Wind Power Generation
风力发电的不稳定性给实现安全电网运营带来了挑战。因此,有必要进行准确的风电功率预测及其不确定性量化。风电功率预测通常依赖于风速预测和风电转换过程。然而,目前大多数风电功率预测模型只考虑部分不确定性。本文提出了一个综合框架预测风功率密度,考虑风速预测和风功率转换过程中产生的不确定性。具体地说,我们使用非齐次几何布朗运动来模拟风速,并将风速预测密度转换为封闭形式的风功率密度。由此产生的风功率密度允许通过预测区间量化预测不确定性。为了预测功率输出,我们最小化预期的预测成本与(不等)惩罚的高估和低估。我们展示了所提出的方法的预测能力,使用来自位于不同地点的多个运营风电场的数据。
2020-09-27 stat.AP
Predicting Inflation: Professional Experts Versus No-Change Forecasts
我们将来自专业预测者调查(SPF)的美国通货膨胀预测与简单统计技术的预测进行比较。在即时预测中,经济专业知识具有说服力。在预测本季度以后的情况时,新颖但简单的概率不变预测同样具有竞争力。我们进一步解释调查合奏的预测,并表明,他们可以使用类似的方式,合奏预测系统已经改变了天气预报。然后,我们从天气预报中借用另一个想法,根据最近的经验,我们应用统计技术对SPF预测进行后处理。上述结论在调查后处理后保持不变。
2010-10-12 stat.AP
The role of probabilistic load and renewable prediction in enhancing day-ahead electricity price forecasts
Wrocław University of Science and Technology(弗罗茨瓦夫科技大学);University of Duisburg-Essen(杜伊斯堡-埃森大学)
本研究提出将负荷与可再生能源的概率预测(而非点预测)整合进电价预测模型,利用德国EPEX数据验证,可降低均方根误差最多13%,并发现极端分位数是关键预测因子。
2026-09-09 stat.AP
Electricity Load and Peak Forecasting: Feature Engineering, Probabilistic LightGBM and Temporal Hierarchies
本文介绍了一种在BigDeal 2022能源竞赛中取得高排名的电力负荷与峰值预测模型,通过基于聚类置换的特征工程、概率LightGBM及时间层次结构组合预测提升准确性。
2023-05-09 stat.AP
Forecasting Extreme High Summer Temperatures in Paris and Cairo Using Gradient Boosting and Conformal Prediction Regions
本文针对巴黎与开罗夏季极端高温,采用滞后14天的梯度提升模型提前两周预测气温和热指数的 Q(.95),并以保形预测区域量化不确定性。
2025-06-03 stat.AP
Probabilistic wind speed forecasting on a grid based on ensemble model output statistics
风速的概率预报对于广泛的应用很重要,从与风力发电有关的业务决策到风暴警报、船舶路线和航空。我们提出了一种统计方法,提供本地校准,概率风速预测在任何期望的地方在预测域的数值天气预报(NWP)模型的输出的基础上。提出了三种风速后处理方法,分别采用截断正态分布、伽玛分布和截断逻辑斯谛分布,以集合预报系统(EPS)的预报为条件,对未来观测值进行概率预报。为了在网格上提供概率预报,需要对用当地风速观测值校准的预测分布进行插值。我们研究了几种插值方案,结合地统计学方法与当地的年平均风速信息,并评估所提出的方法与地面风速预测在德国的COSMO-DE(小尺度模型联盟)集合预测系统。
2015-11-06 stat.AP
Statistical post-processing of operational dual-resolution wind-speed ensemble forecasts
Faculty of Informatics, University of Debrecen(德布勒森大学信息学院)
本研究采用集合模型输出统计方法,比较分析了欧洲中期天气预报中心9km和36km水平分辨率及其混合的原始和后处理风速集合预报的预报技巧,发现后处理显著提升概率校准和点预报精度,且空间分辨率优于集合大小,但将高分辨率成员加入低分辨率集合可带来最大增益。
2025-06-18 stat.AP
Uncertainty quantification for epidemiological forecasts of COVID-19 through combinations of model predictions
在整个COVID-19大流行期间向英国政府提供的科学建议是由科学大流行性流感建模小组(SPI-M)成员提供的流行病学模型集合提供的。除其他应用外,模型集合已被用于预测每日发病率、死亡率和住院率。这些模型在方法(例如确定性或基于代理)以及对疾病和人口的假设方面有所不同。这些差异反映了在理解疾病动态和选择简化模型假设方面的真正不确定性。虽然在时间框架较短的情况下,多模型集合的分析在逻辑上可能具有挑战性,但考虑到结构不确定性可以提高准确性并降低预测中过度自信的风险。在这项研究中,我们比较了各种集成方法在大流行应对背景下结合短期(14天)COVID-19预测的性能。我们解决实际问题的模型预测的可用性,并提出了一些初步建议,以解决短期的标准方法在这种具有挑战性的情况。
2021-08-12 stat.AP
Copula Conformal Prediction for Multi-step Time Series Forecasting
University of California, San Diego(加利福尼亚大学圣迭戈分校)
本文提出 CopulaCPTS,一种用于多变量多步时间序列预测的 Copula 保形预测算法,具有有限样本有效性保证,并在多个数据集上生成更校准、更尖锐的置信区间。
2024-03-18 cs.LG stat.AP
Enhanced Renewable Energy Forecasting using Context-Aware Conformal Prediction
EPFL, Switzerland(瑞士联邦理工学院);Ghent University, Belgium(比利时根特大学)
提出上下文感知保形预测(CACP)框架,通过加权历史观测校准预测区间,无需重新训练模型,提升可再生能源预测的可靠性和效率。
2026-06-01 cs.LG stat.AP
Optimal probabilistic forecasts for risk management
本文探讨了产生的预测分布,根据相关的金融风险管理的评分规则进行优化的影响。我们评估了潜在错误指定模型的最优预测的预测性能,用于i)风险价值和预期损失预测; ii)预测VIX波动率指数,用于涉及VIX期货的对冲策略。我们的实证结果表明,校准的预测分布使用的分数,奖励极端回报的准确预测提高了风险价值和ES预测。尾部为重点的预测分布也被证明可以在使用VIX期货的对冲策略中产生更好的结果。
2023-03-03 q-fin.ST stat.AP
Numerical weather prediction or stochastic modeling: an objective criterion of choice for the global radiation forecasting
University of Corsica(科西嘉大学);Hospital of Castelluccio(卡斯泰卢乔医院);Galatasaray University(加拉塔萨雷大学);University HouaryBoumédiène(胡阿里·布迈丁大学)
全球辐射预报存在并发展了许多方法。两种最流行的类型是数值天气预报(NWP)和使用随机方法的预测。我们建议计算一个参数,该参数部分地由互信息构建,互信息是测量两个变量相互依赖的量。这两个计算的目的是建立NWP和随机模型之间更相关的方法,关于当前的问题。
2014-01-22 cs.LG stat.AP
The Living Forecast: Evolving Day-Ahead Predictions into Intraday Reality
本文提出一种贝叶斯更新机制,将概率日间预测转化为日内预测,无需重新训练或推断,通过条件变分自动编码器的高斯混合输出,保留概率结构,提升预测精度达25%。
2026-03-13 cs.LG stat.AP
Enhancing multivariate post-processed visibility predictions utilizing CAMS forecasts
针对气象中心能见度集合预测准确性不足的问题,本研究将CAMS预报作为额外协变量引入后处理方法,提升了单/多变量预测技能并整合空间依赖性,结果显著优于原始和气候学预测。
2024-06-20 stat.AP stat.ML
Adaptive Multi-Scale Forecasting and Gate-Localized Conformal Prediction for Multivariate Nonstationary Time Series
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
针对多元非平稳时间序列预测与不确定性量化问题,提出ABF-T-GLCP框架,通过学习自适应预测状态表示,结合预测与共形校准模块,实验表明该框架能提升预测准确性、缩小区间,且应用范围广。
2026-07-28 cs.LG stat.AP stat.ME
Evaluating real-time probabilistic forecasts with application to National Basketball Association outcome prediction
出于评估在国家篮球协会的主队获胜概率的实时预测的目标,我们开发了新的工具来衡量不断更新的概率预测的质量。这包括引入校准表面图,和简单的图形摘要,以评估一目了然是否给定的连续更新的概率预测方法是良好的校准,以及开发统计测试和图形工具,以评估技能,或相对性能,两个竞争的连续更新的预测方法。通过模拟篮球比赛的蒙特卡罗模拟研究来研究这些工具,并在应用程序中演示,以评估总部位于美国的跨国体育网络ESPN在其主要网页{ \tt espn.com}上发布的不断更新的预测。这个应用程序提供了统计证据,表明那里发布的预测是经过良好校准的,并且表现出比几个简单模型更高的技能,但并没有证明比简单的逻辑斯谛回归模型有显著提高的技能,这些模型仅仅基于对每个团队的相对实力的测量,以及整个游戏中不断变化的得分差异。
2020-10-02 stat.AP stat.ME
Calibration of wind speed ensemble forecasts for power generation
在过去的几十年中,风力发电成为欧盟第二大能源,占其电力需求的16%。然而,由于其波动性,需要准确的短期风能预测,以成功地将风能整合到电网中。准确的风力预测需要准确的轮毂高度风速预报,其中最先进的方法是基于从多次运行的数值天气预报模型获得的集合预报的概率方法。然而,集合预报往往未经校准,也可能有偏差,因此需要某种形式的后处理,以提高其预测性能。我们提出了一种新的灵活的机器学习方法来校准风速集合预报,这会导致截断的正态预测分布。在一个案例研究的基础上,100米风速预报的业务集合预报系统的匈牙利气象服务,这种方法的预报技巧进行了比较,三种不同的集合模型输出统计方法和原始集合预报的预测性能。我们发现,与原始集合相比,后处理总是提高点预测的概率和准确性的校准,并且从四种竞争方法中,新的基于机器学习的方法具有最佳的整体性能。
2021-08-19 stat.AP stat.ML
Rigorous uncertainty quantification of probabilistic AI weather forecasts with conformal prediction
University of Chicago(芝加哥大学)
针对AI概率天气预报校准不足(尤其是极端事件),提出使用保形预测方法,无需分布假设即可数学保证覆盖,应用于三个全球模型(GenCast、NeuralGCM、AIFS-ENS)的温度和降水预报,实现校准不确定性而不牺牲其他概率指标。
2026-06-19 physics.ao-ph stat.AP stat.ML
A 24-h forecast of ozone peaks and exceedance levels using neural classifiers and weather predictions
一个神经网络结合到一个神经分类器中使用的实时预测的每小时最大臭氧在法国的中心,在城市大气中。该神经模型基于多层感知器(MLP)结构。统计网络的输入是来自法国国家气象局的天气预测的模型输出统计。使用这种神经分类器,预测的成功指数为78%,而经典的MLP为65%至72%。在2003年夏季的验证阶段,检测到了六个高于阈值的臭氧峰值。他们实际上是七个。
2008-02-27 math.ST stat.AP stat.TH
Auditing the Fairness of the US COVID-19 Forecast Hub's Case Prediction Models
University of Maryland(马里兰大学);College of Information(信息学院);UMIACS(马里兰大学高级计算机研究所);Abt Global(雅培全球公司)
本文对美国COVID-19预测中心的病例预测模型进行公平性审计,发现其在少数种族群体及低城市化地区预测误差更高,呼吁建模者和CDC同步报告准确性与公平性指标以避免潜在危害。
2025-02-18 cs.CY cs.LG stat.AP
Multivariate GARCH and portfolio variance prediction: A forecast reconciliation perspective
University of Padova(帕多瓦大学)
本文通过预测修复技术结合单变量和多变量投资组合风险预测,探讨在真实数据中提升传统GARCH投资组合方差预测的方法。
2026-04-21 econ.EM q-fin.RM q-fin.ST
conformalForecast: An R package for sequential conformal prediction in time series
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);University of Padova(帕多瓦大学)
研究针对现有共形预测软件缺乏多步时间序列预测集成工作流的问题,推出R包conformalForecast,实现多步时间序列共形预测区间的构建、更新与评估,在电价预测实验中验证其高效性与可靠性。
2026-10-16 stat.AP stat.CO stat.ME
Wind power predictions from nowcasts to 4-hour forecasts: a learning approach with variable selection
CMAP, Ecole Polytechnique, Institut Polytechnique de Paris(巴黎综合理工学院CMAP实验室)
我们研究风速和风力的短期预测(每10分钟到4小时)。准确预测这些数量对于减轻风电场间歇性生产对能源系统和市场的负面影响至关重要。我们使用机器学习将数值天气预报模型的输出与当地观测相结合。前者提供更高尺度动力学的有价值的信息,而后者为模型提供更新鲜和特定位置的数据。为了使结果可用于从业者,我们专注于众所周知的方法,可以处理大量的数据。我们研究了第一个变量的选择,同时使用线性技术和非线性。然后,我们利用这些结果预测风速和风力发电仍然强调线性模型与非线性模型。对于风电功率的预测,我们也比较了间接的方法(风速预测通过功率曲线)和间接的(直接预测风电功率)。
2022-12-13 cs.LG stat.AP stat.ML
Trend-encoded Probabilistic Multi-order Model: A Non-Machine Learning Approach for Enhanced Stock Market Forecasts
针对机器学习股市预测跨数据集稳健性不足的问题,提出基于趋势编码的多滞后阶概率模型TeMoP,并在九国股指上证明其准确性与稳定性优于现有机器学习方法。
2025-02-17 math.PR q-fin.CP stat.AP
Improving Model Chain Approaches for Probabilistic Solar Energy Forecasting through Post-processing and Machine Learning
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Heidelberg Institute for Theoretical Studies(海德堡理论研究所)
本文系统评估了在太阳能预报模型链中不同后处理策略的效果,并提出基于神经网络的直接功率预报模型,结果表明后处理尤其是对功率预报的后处理能显著提升概率预报质量。
2024-06-06 cs.LG physics.ao-ph stat.AP
Conflict Forecasting via Conformal Prediction for Markov Processes
North Carolina State University(北卡罗来纳州立大学);The University of Texas at Dallas(德克萨斯大学达拉斯分校);Swedish Defense University(瑞典国防大学);University of Oslo(奥斯陆大学)
本文通过置信预测方法对马尔可夫过程的时间依赖数据进行预测,以获得未来冲突状态序列的预测集,并与基于似然的预测策略进行比较,探讨其在冲突预测中的应用及局限性。
2026-11-13 stat.AP stat.ME stat.ML