Probabilistic QoS Metric Forecasting in Delay-Tolerant Networks Using Conditional Diffusion Models on Latent Dynamics
School of Computer Science Nanjing University of Posts(南京邮电大学计算机科学学院)
本文提出利用条件扩散模型结合潜在时间动态,对延迟容忍网络中的QoS指标进行概率预测,以量化不确定性并优于传统方法。
2025-10-15 cs.LG stat.ML
Adversarial Attacks on Probabilistic Autoregressive Forecasting Models
Department of Computer Science, ETH Zürich(苏黎世联邦理工学院计算机科学系);Department of Computer Science, ETH Zürich, Switzerland(苏黎世联邦理工学院计算机科学系)
我们开发了一种有效的生成对抗攻击的神经模型,输出一个序列的概率分布,而不是一个序列的单一值。这种设置包括最近提出的深度概率自回归预测模型,该模型估计给定其过去的时间序列的概率分布,并在不同的应用领域中实现最先进的结果。我们解决的关键技术挑战是有效地区分通过蒙特卡洛估计的统计输出序列的联合分布。此外,我们扩展以前的工作概率预测贝叶斯设置,允许条件对未来的观察,而不是只对过去的观察。我们证明,我们的方法可以成功地产生攻击,在两个具有挑战性的任务,其中强大的决策是至关重要的小输入扰动:股票市场交易和预测的电力消耗。
2020-03-08 cs.LG stat.ML
Deep Generative Quantile-Copula Models for Probabilistic Forecasting
Amazon(亚马逊)
我们介绍了一类新的多变量条件生成模型,并证明其性能和通用性的概率时间序列预测和模拟。具体地说,分位数回归网络的输出通过从潜在均匀分布到目标分布的单变量映射从一组固定分位数扩展到整个分位数函数。然后,通过学习每个维度的边缘分布的分位数函数,然后估计条件Copula来关联这些潜在的均匀随机变量,来解决多变量的情况。分位数函数和copula一起定义联合预测分布,可以通过单个隐式生成深度神经网络来参数化。
2019-07-24 cs.LG stat.ML
RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting
McGill University(麦吉尔大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
时空预测在分析无线网络、交通网络和金融网络中有着广泛的应用。许多经典的统计模型在处理时间序列数据中存在的复杂性和高度非线性方面往往存在不足。深度学习的最新进展允许更好地建模空间和时间依赖性。虽然大多数这些模型侧重于获得准确的点预测,但它们并不表征预测的不确定性。在这项工作中,我们认为时间序列数据作为一个随机实现的非线性状态空间模型和目标贝叶斯推断的隐藏状态的概率预测。我们使用粒子流作为近似状态的后验分布的工具,因为它被证明是非常有效的复杂,高维设置。在几个真实世界的时间序列数据集上进行的彻底实验表明,我们的方法提供了更好的不确定性表征,同时保持了与最先进的点预测方法相当的准确性。
2021-06-10 cs.LG 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
Probabilistic Energy Forecasting using Quantile Regressions based on a new Nearest Neighbors Quantile Filter
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
参数分位数回归是创建概率能源预测的有用工具。尽管如此,由于经典分位数回归是使用不可微的成本函数训练的,因此使用复杂的数据采掘技术(例如,人工神经网络)可能是复杂的。本文提出了一种方法,使用一个新的最近邻分位数过滤器,以获得独立的分位数回归所利用的数据采掘技术,没有不可微的成本函数。此后,使用2014年全球能源预测竞赛的数据集进行验证所提出的方法。结果表明,所提出的方法是能够解决类似的准确性,在类似的时间竞争的冠军的竞争任务,但需要一个强大得多的计算机。该属性可能与在线预测服务相关,对于该在线预测服务,需要使用不那么强大的机器来快速计算概率预测。
2019-03-18 cs.LG stat.ML
Multi-task Online Learning for Probabilistic Load Forecasting
Basque Center for Applied Mathematics (BCAM)(巴斯克应用数学中心(BCAM));IKERBASQUE - Basque Foundation for Science(伊克尔巴斯克科学基金会(IKERBASQUE))
本文提出一种多任务在线概率负荷预测方法,利用多个实体间的动态相似性输出概率预测,实验证明其在多种负荷消费场景下显著优于现有多任务学习方法。
2025-02-06 cs.LG stat.ML
Probabilistic Forecasting with Temporal Convolutional Neural Network
Bigo Inc.(Bigo公司);Beihang University(北京航空航天大学);IBM China CIC(IBM中国创新中心);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
提出了一种基于卷积神经网络的概率预测框架,用于多个相关时间序列的预测。该框架可以应用于估计参数和非参数设置下的概率密度。更具体地说,基于扩张的因果卷积网的堆叠的残差块被构造成捕获序列的时间依赖性。结合表征学习,我们的方法能够学习复杂的模式,如季节性,系列内和跨系列的假日效应,并利用这些模式进行更准确的预测,特别是当历史数据稀疏或不可用时。在几个真实世界的数据集上进行了广泛的实证研究,包括来自中国最大的在线零售商JD.com的数据集。结果表明,我们的框架优于其他国家的最先进的方法在准确性和效率。
2020-03-16 cs.LG stat.ML
Short-Term Solar Irradiance Forecasting Using Calibrated Probabilistic Models
Stanford University(斯坦福大学);Open Climate Fix(开放气候修复);National Center for Atmospheric Research(美国国家大气研究中心)
推进概率太阳能预测方法对于支持太阳能融入电网至关重要。在这项工作中,我们开发了各种最先进的概率模型预测太阳辐照度。我们调查使用事后校准技术,以确保良好校准的概率预测。我们训练和评估的模型使用公共数据从七个站在SURFRAD网络,并证明,最好的模型,NGBoost,实现更高的性能在每小时内的分辨率比最好的基准太阳辐照度预测模型在所有站点。此外,我们表明,NGBoost与CRUDE事后校准实现了相当的性能数值天气预报模型的小时分辨率预报。
2020-10-14 cs.LG stat.AP 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
Probabilistic Forecasting with Generative Networks via Scoring Rule Minimization
University of Oxford(牛津大学);Southern University of Science and Technology(南方科技大学);University of Warwick(华威大学);European Centre for Medium-Range Weather Forecasts(欧洲中期天气预报中心)
针对生成网络对抗训练不稳定、不适用于概率预测的问题,提出通过最小化预序评分规则训练生成网络的方法,证明其在依赖数据下的一致性,实验表明该方法在概率校准等方面优于现有对抗方法且调优成本更低。
2024-02-13 cs.LG stat.ML
Better Batch for Deep Probabilistic Time Series Forecasting
McGill University(麦吉尔大学);University of Minnesota(明尼苏达大学)
本文提出一种在深度概率时间序列预测中利用误差自相关性的批训练方法,通过构建连续片段小批量并学习时变协方差矩阵,在多个模型和数据集上显著提升了预测精度与不确定性量化能力。
2024-10-18 cs.LG stat.ML
Probabilistic Forecasting of Irregular Time Series via Conditional Flows
University of YYY(YYY大学);Institute of WWW(WWW研究院)
针对带缺失值的不规则多变量时间序列概率预测问题,提出基于条件归一化流的ProFITi模型,引入可逆三角注意力层等组件,在4个数据集上实现比此前最优模型高4倍的似然度。
2025-01-13 cs.LG stat.ML
Probabilistic Forecasting of Sensory Data with Generative Adversarial Networks - ForGAN
University of Kaiserslautern(凯泽斯劳滕大学);German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI))
时间序列预测是人类面临的挑战性问题之一。传统的均值回归模型预测方法在反映真实波动方面存在严重缺陷。虽然新的概率方法急于拯救,但它们与分位数交叉或选择先验分布等技术难题作斗争。为了融合这些领域的不同优势,同时避免它们的弱点,并推动最先进的边界,我们引入了ForGAN -一步领先的概率预测与生成对抗网络。ForGAN利用条件生成对抗网络的能力来学习数据生成分布并从中计算概率预测。我们讨论了如何评估ForGAN,以反对回归方法。为了研究ForGAN的概率预测,我们创建了一个新的数据集,并在其上展示了我们的方法能力。该数据集将公开用于比较。此外,我们在两个公开的数据集上测试了ForGAN,即Mackey-Glass数据集和互联网流量数据集(A5 M),ForGAN令人印象深刻的性能证明了其在预测未来价值方面的高能力。
2019-03-29 cs.AI cs.LG stat.ML
Probabilistic Traffic Forecasting with Dynamic Regression
McGill University(麦吉尔大学);University of Minnesota(明尼苏达大学)
本文提出动态回归框架,通过矩阵变量自回归建模基础交通预测模型的误差过程并重新设计损失函数,实现概率预测且保留原始输出,在SOTA模型上验证了性能提升和可解释性。
2025-04-08 cs.LG stat.ML
ScoreGrad: Multivariate Probabilistic Time Series Forecasting with Continuous Energy-based Generative Models
Beijing Institute of Technology(北京理工大学)
多变量时间序列预测因其在智能交通、人工智能等方面的广泛应用而受到广泛关注。生成模型在时间序列建模中取得了令人印象深刻的结果,因为它们可以建模数据分布并考虑噪声。然而,由于生成模型的函数形式的限制或对超参数的敏感性,许多现有的工作不能被广泛使用。在本文中,我们提出了ScoreGrad,一个基于连续能量生成模型的多变量概率时间序列预测框架。ScoreGrad由时间序列特征提取模块和基于条件随机微分方程的分数匹配模块组成。该预测可以通过迭代求解逆时矩来实现。据我们所知,ScoreGrad是第一个用于时间序列预测的基于连续能量的生成模型。此外,ScoreGrad在六个真实世界的数据集上实现了最先进的结果。超参数和采样器类型对性能的影响也进行了探讨。代码可在https://github.com/yantijin/ScoreGradPred上获得。
2021-06-18 cs.LG stat.ML
Robust Probabilistic Time Series Forecasting
Seoul National University(首尔国立大学);AWS AI Labs, Amazon Research(亚马逊研究院AWS人工智能实验室)
概率时间序列预测由于其量化不确定性的能力,在决策过程中发挥着至关重要的作用。然而,深度预测模型可能容易受到输入扰动的影响,这种扰动的概念以及鲁棒性的概念甚至还没有在概率预测领域完全建立起来。在这项工作中,我们提出了一个框架,强大的概率时间序列预测。首先,我们推广了对抗性输入扰动的概念,在此基础上,我们制定了有界Wasserstein偏差的鲁棒性的概念。然后,我们扩展了随机平滑技术,以获得强大的概率预测与理论的鲁棒性证书,对某些类别的对抗性扰动。最后,大量的实验表明,我们的方法是有效的经验,提高预测质量下添加对抗攻击和预测一致性下的噪音观测补充。
2022-02-24 cs.LG
A Composite Quantile Fourier Neural Network for Multi-Step Probabilistic Forecasting of Nonstationary Univariate Time Series
单变量时间序列的点预测是一个具有挑战性的问题,人们已经做了大量的工作。然而,时间序列的非参数概率预测,如分位数或预测区间的形式,是一个更具挑战性的问题。在努力扩大可能的预测范式,我们设计和探索一个外推为基础的方法,还没有应用之前的概率预测。提出了一种新的分位数傅立叶神经网络用于单变量时间序列的非参数概率预测。多步预测以复合分位数的形式提供,使用时间作为模型的唯一输入。这实际上是应用于预测的基于外推的非线性分位数回归的一种形式。在八个真实世界的数据集上进行实验,这些数据集展示了各种周期性和非周期性模式。九个天真的和先进的方法被用作基准,包括分位数回归神经网络,支持向量分位数回归,SARIMA,指数平滑。实验结果验证了该方法的有效性,提供高质量和准确的概率预测。
2020-05-14 stat.ML
Deep Probabilistic Time Series Forecasting using Augmented Recurrent Input for Dynamic Systems
Dalian University of Technology(大连理工大学);Shenyang Blower Works Group Corporation(沈阳鼓风机集团股份有限公司)
近年来,在各种动态系统场景中,例如,系统辨识和机器的预测和健康管理,对概率时间序列预测的需求已经被提出。为此,我们结合了深度生成模型和状态空间模型(SSM)的进步,提出了一种新的,数据驱动的深度概率序列模型。具体来说,我们遵循流行的编码器-解码器生成结构,在一个扩展的递归输入空间上构建递归神经网络(RNN)辅助的变分序列模型,该模型可以诱导丰富的随机序列依赖性。此外,为了缓解训练和预测之间的后验不一致问题以及改进动态模式的挖掘,我们(i)提出使用滞后混合输出作为下一个时间步长的后验输入,这使得训练和预测对齐;(ii)进一步设计了一种广义自回归策略,该策略对后验的所有历史依赖性进行编码。此后,我们首先调查的方法学特征提出的深概率序列模型的玩具案件,然后全面展示我们的模型对现有的深概率SSM模型的优越性,通过广泛的数值实验8个系统辨识基准从各种动态系统。最后,我们将我们的序列模型应用于实际的离心压缩机预测问题,并通过量化时间序列预测分布再次验证了其出色的性能。
2022-04-13 cs.LG stat.ML
SPECTRA: State-Space Exogenous Context and Temporal-Frequency Resolution Architecture for Probabilistic Energy Forecasting
Shanghai Advanced Research Institute, Chinese Academy of Sciences(中国科学院上海先进研究院);University of Chinese Academy of Sciences(中国科学院大学);School of Physical Science and Technology, Shanghaitech University(上海科技大学物理科学与技术学院);State Power Investment Corporation Limited(国家电力投资集团有限公司);China University of Petroleum(中国石油大学)
针对现代电力系统概率能源预测问题,提出状态空间外部上下文和时频分辨率架构,通过自适应分离、对齐及建模等操作,实现预测。实验表明该方法在多种预测中表现出色,并支持确定性 - 随机分离为有效设计原则。
2026-07-24 cs.LG stat.ML
DANLIP: Deep Autoregressive Networks for Locally Interpretable Probabilistic Forecasting
Toronto Metropolitan University(多伦多都会大学);University of Toronto(多伦多大学)
尽管基于神经网络的时间序列预测方法具有高性能,但解释其预测的固有挑战限制了其在某些应用领域的适用性。由于难以确定这种黑箱方法的输入和输出之间的因果关系,它们很少被采用在法律和医学领域,其中结果的可靠性和可解释性可能是必不可少的。在本文中,我们提出了\model,这是一种新颖的基于深度学习的概率时间序列预测架构,本质上是可解释的。我们使用多个数据集和性能指标进行实验,并根据经验表明,我们的模型不仅是可解释的,而且还提供了与最先进的概率时间序列预测方法相当的性能。此外,我们表明,解释的参数的随机过程的兴趣可以提供有用的见解到几个应用领域。
2023-01-05 cs.AI cs.LG stat.ML
A Deep Learning Approach to Probabilistic Forecasting of Weather
Argonne National Laboratory(阿贡国家实验室)
我们讨论了一种基于两个链式机器学习步骤的概率预测方法:降维步骤,以保留预测量信息的方式将预测信息的降维映射学习到低维空间;以及密度估计步骤,使用概率机器学习规范化流技术来计算减少的预测因子和预测量的联合概率密度。然后将该联合密度重新归一化以产生条件预测分布。在该方法中,概率校准测试扮演着正则化过程的角色,防止在第二步中过度拟合,而从第一步开始的有效降维是预测清晰度的来源。我们使用一个22年的1小时的节奏时间序列的天气研究和预报(WRF)模拟数据的地面风网格上的方法进行验证。
2022-03-24 cs.LG physics.ao-ph stat.ML
ProbRes: Volatility Learning for Probabilistic Time-Series Forecasting
School of Data Science, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)数据科学学院)
提出ProbRes,一种事后概率校准方法,通过显式学习波动率动态来改进概率预测,有效处理异方差数据,并在理论和实验上验证其有效性。
2026-06-01 cs.LG stat.ME stat.ML
Back to square one: probabilistic trajectory forecasting without bells and whistles
Sharif University of Technology(谢里夫理工大学);Institute of Science and Technology Austria (IST Austria)(奥地利科学技术研究所(IST Austria))
我们介绍了一个时空卷积神经网络模型的轨迹预测从视觉源。以自回归的方式应用,它提供了一个明确的概率分布在一个给定的初始轨迹段的延续。我们讨论了与(更复杂的)现有工作有关的问题,并报告了在两个用于轨迹预测的标准数据集上进行的实验:MNISTseq和斯坦福无人机,取得了与以前的方法相当或更好的结果。
2018-12-07 cs.CV cs.LG stat.ML
A Multi-model Combination Approach for Probabilistic Wind Power Forecasting
Shandong University(山东大学);Zhejiang University(浙江大学);Argonne National Laboratory(阿贡国家实验室);Tsinghua University(清华大学)
短期概率风电功率预测可以为电力系统运行和控制提供关键的量化的风电功率不确定性信息。由于风电功率预测误差的复杂性,很难开发出一种通用的预测模型来优于其他替代模型。因此,本文提出了一种新的多模型组合(MMC)方法的短期概率风力发电预测,利用不同的预测模型的优点。该方法可以结合不同的预测模型,提供不同的概率密度函数,以提高概率预测精度。采用基于稀疏贝叶斯学习、核密度估计和贝塔分布拟合的概率预测模型构成组合模型。MMC模型的参数求解基于贝叶斯框架。数值试验表明了所提出的MMC方法的有效性。
2017-02-13 cs.LG stat.AP
Probabilistic Time Series Forecasting with Structured Shape and Temporal Diversity
EDF(法国电力集团);CNAM(法国国立工艺学院)
概率预测是对未来可能结果的分布进行预测。在本文中,我们解决这个问题的非平稳时间序列,这是非常具有挑战性的,但至关重要的。我们引入了基于形状和时间特征表示结构多样性的STRIPE模型,确保了可能的预测,同时又清晰准确。STRIPE对预测模型是不可知的,我们为它配备了一个依赖于决定点过程(DPP)的多样化机制。我们引入了两个DPP内核,用于在形状和时间方面对不同的轨迹进行建模,这两个内核都是可微的,并且被证明是半正定的。为了对多样性结构进行显式控制,我们还设计了一种迭代采样机制来解开潜在空间中的形状和时间表示。在合成数据集上进行的实验表明,在保持预测模型准确性的同时,STRIPE在表示多样性方面明显优于基线方法。我们还强调了迭代抽样方案的相关性和使用不同标准来衡量质量和多样性的重要性。最后,在真实数据集上的实验表明,STRIPE能够在最佳样本预测方面优于最先进的概率预测方法。
2021-04-10 cs.AI cs.LG stat.ML
SDECast: Probabilistic Weather Forecasting in Continuous Time with Neural SDEs
University of Amsterdam(阿姆斯特丹大学);Linköping University(林雪平大学)
针对现有机器学习天气预报模型在短时间步长下误差累积和缺乏时间连续性的问题,提出基于神经随机微分方程的SDECast框架,实现连续时间概率预报,并在模拟流和全球小时级预报中验证了其有效性。
2026-10-05 cs.LG physics.ao-ph stat.ML
Probabilistic Time Series Forecasting with Implicit Quantile Networks
Zalando SE(扎兰多股份公司)
在这里,我们提出了一个一般性的概率时间序列预测方法。我们将自回归递归神经网络与隐式分位数网络相结合来模拟时间动态,以学习时间序列目标上的一大类分布。当与真实和模拟数据的其他概率神经预测模型相比时,我们的方法在逐点预测精度以及估计潜在的时间分布方面是有利的。
2021-07-08 cs.AI cs.LG
Probabilistic Circuits for Irregular Multivariate Time Series Forecasting
ISMLL, University of Hildesheim, Germany(Hildesheim大学智能系统实验室);VWFS, Data Analytics Research Center(数据分析研究中心)
本文提出CircuITS概率电路架构,有效捕捉多变量时间序列复杂依赖关系,提升不规则时间序列联合分布估计精度。
2026-10-14 cs.LG
Probabilistic forecasting approaches for extreme NO$_2$ episodes: a comparison of models
Artificial Intelligence Department Universidad Nacional de Educación a Distancia — UNED(西班牙马德里开放大学(UNED)人工智能系)
当局越来越多地通过交通限制来处理NO $_2$的高浓度事件,当空气质量恶化超过某些阈值时,就会启动交通限制。因此,预测污染物浓度达到这些阈值的可能性是必要的。概率预测是允许预测预期分布函数而不是单个值的技术家族。在NO $_2$的情况下,它允许计算未来超过阈值的机会并检测污染峰值。我们彻底比较了10个最先进的概率预测模型,用它们来预测NO $_2$浓度在一组预测范围(最多60小时)的城市位置的分布。分位数梯度提升树表现出最佳性能,为期望值和预测全分布都产生最佳结果。此外,我们展示了如何使用这种方法来检测污染峰值。
2020-03-24 cs.LG stat.AP stat.ML
Deep Probabilistic Koopman: Long-term time-series forecasting under periodic uncertainties
University of Washington(华盛顿大学)
复杂现象的概率预测对各种科学学科和应用至关重要。尽管问题的普遍性和重要性,一般的数学技术,允许稳定的长期预测校准不确定性措施是缺乏的。对于大多数时间序列模型,获得准确的概率未来时间步长预测的难度随着预测范围的增加而增加。在本文中,我们介绍了一种令人惊讶的简单方法,该方法描述了时变分布的特征,并能够合理准确地预测未来数千个时间步。这种技术,我们称之为深度概率Koopman(DPK),是基于线性Koopman算子理论的最新进展,并且不需要时间步进来预测未来的时间。Koopman模型也倾向于具有较小的参数占用空间(通常少于10,000个参数)。我们展示了这些模型在不同领域的长期预测性能,包括电力需求预测,大气化学和神经科学。对于电力需求建模,我们的领域不可知技术在最近的全球能源预测竞赛中优于所有177个特定领域的竞争对手。
2021-06-10 cs.LG
Probabilistic water demand forecasting using quantile regression algorithms
University of Patras(帕特雷大学);Roma Tre University(罗马第三大学);National Technical University of Athens(雅典国立技术大学)
机器和统计学习算法可以可靠地自动化并大规模应用。因此,它们可以成为设计实用预测系统的重要资产,例如与城市用水需求有关的预测系统。分位数回归算法是一种统计和机器学习算法,可以以简单的方式提供概率预测,迄今为止尚未应用于城市需水量预测。在这项工作中,我们的目标是填补这一空白,自动化和广泛比较几个基于分位数回归的实用系统的概率提前一天的城市用水量预测。为了设计实际的系统,我们使用五个单独的算法(即,分位数回归、线性提升、广义随机森林、梯度提升机和分位数回归神经网络算法),它们的均值组合器和中值组合器。比较是通过利用一个大型的城市水流量数据集,以及几种类型的水文气象时间序列(被认为是预测设置中的外生预测变量)。结果大多有利于使用线性升压算法设计的实际系统,可能是由于城市水流量时间序列中存在的趋势。平均值和中位数组合的预测也被发现是熟练的一般条款。
2021-04-16 cs.LG stat.ME stat.ML
CLaST: Context-aware Contrastive VAE for Probabilistic Time Series Forecasting
Applied AI Institute(应用人工智能研究所)
该研究针对概率时间序列预测中传统模型难以捕捉时间依赖的问题,提出上下文感知对比VAE框架CLaST,通过对比损失学习上下文相似嵌入,在9个基准测试中均优于基线方法,短期与长期预测的CRPS、NMAE均有显著提升。
2026-09-25 cs.LG
Synergetic Learning of Heterogeneous Temporal Sequences for Multi-Horizon Probabilistic Forecasting
Shanghai Jiao Tong University(上海交通大学)
时间序列在交通、金融和医疗等应用中无处不在。时间序列经常受到外部因素的影响,特别是以异步事件的形式,使预测变得困难。然而,现有的模型主要是针对同步时间序列或异步事件序列,很难提供一种综合的方法来捕捉它们之间的关系。我们提出了变分协同多视野网络(VSMHN),一种新的深度条件生成模型。为了学习异构序列之间的复杂相关性,设计了一个量身定制的编码器,以结合深度点过程模型和变分递归神经网络的进展。此外,还设计了一种对齐时间编码和辅助转换方案,用于非对齐序列的批量训练。我们的模型可以有效地使用随机变分推理进行训练,并使用Monte-Carlo模拟生成概率预测。此外,我们的模型产生准确,尖锐和更现实的概率预测。我们还表明,建模异步事件序列是至关重要的多地平线的时间序列预测。
2021-01-31 cs.AI cs.LG stat.ML
Taming the Long Tail of Deep Probabilistic Forecasting
University of California, San Diego(加州大学圣地亚哥分校)
深度概率预测在许多应用中越来越受到关注,从天气预报到电力消耗估计,再到自动驾驶车辆轨迹预测。然而,现有的方法集中在最常见的情况下,没有解决罕见的和困难的情况下的性能的改进。在这项工作中,我们确定了最先进的深度学习方法在概率预测方面的长尾行为。我们提出了两个基于矩的尾部测量概念,以提高性能的困难的尾巴的例子:帕累托损失和峰度损失。峰度损失是关于损失分布的平均值的四阶矩的对称度量。帕累托损失是不对称的测量右尾,使用广义帕累托分布(GPD)建模的损失。我们展示了我们的方法在几个真实世界的数据集,包括时间序列和时空轨迹的性能,实现了显着的改善尾部的例子。
2022-03-02 cs.LG
Effective Probabilistic Time Series Forecasting with Fourier Adaptive Noise-Separated Diffusion
AMSS, Chinese Academy of Sciences(中国科学院自动化研究所);AMAP, Alibaba Group(阿里巴巴集团)
本研究提出FALDA概率时间序列预测框架,基于DMRR框架结合傅里叶分解与轻量去噪器DEMA,降低认知不确定性,在六个基准上长期预测表现优于现有方法,且比SOTA点预测方法性能最高提升9%。
2025-05-16 cs.LG
Probabilistic NDVI Forecasting from Sparse Satellite Time Series and Weather Covariates
Department of Naval, Electrical, Electronics and Telecommunications Engineering, University of Genoa, Italy(海军、电子、电子与电信工程系,热那亚大学,意大利)
本文提出一种概率预测框架,利用稀疏卫星数据和天气协变量进行田间NDVI预测,通过融合历史和未来数据实现多步分位数预测,实验表明优于传统和深度学习方法。
2026-06-26 cs.CV cs.LG stat.ML
ProbPNN: Enhancing Deep Probabilistic Forecasting with Statistical Information
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
概率预测对于各种下游应用至关重要,例如业务开发,交通规划和电网平衡。这些概率预测中的许多都是在包含时间驱动周期性的时间序列数据上进行的。然而,现有的概率预测方法没有明确考虑这些周期性。因此,在本文中,我们引入了一种基于深度学习的方法,该方法明确考虑了这些由神经元驱动的周期性。因此,本论文有两个方面的贡献:首先,我们应用统计方法,使用神经驱动的先验知识来创建滚动统计,并将其与神经网络相结合,以提供更好的概率预测。其次,我们通过比较两个数据集上总共包含1000多个时间序列的归一化连续排名概率得分(nCRPS)和归一化弹球损失(nPL),将ProbPNN与最先进的基准进行基准测试。基准测试的结果表明,使用统计预测组件提高了概率预测性能,ProbPNN优于其他深度学习预测方法,同时需要更少的计算成本。
2023-02-06 cs.AI cs.LG
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
Probabilistic Forecasting Methods for System-Level Electricity Load Forecasting
Technische Universität Berlin(柏林工业大学)
负荷预测已成为能源安全的一个组成部分。由于在这种预测中可以考虑各种影响因素,因此也有各种各样的模型试图以各种方式将这些参数整合到系统中。由于概率负荷预测模型的重要性日益增加,在本分析中提出了不同的方法。重点是短期部门的不同模型。在此基础上,提出了另一个长期部门的模型。然后,所提出的模型放在相互之间的关系,并检查参考的优点和缺点。之后,所提出的文件进行了分析,重点是他们之间的可比性。最后,将讨论对文献中进一步发展领域的展望。
2022-10-17 cs.LG eess.SP
DoFlow: Flow-based Generative Models for Interventional and Counterfactual Forecasting on Time Series
H. Milton Stewart School of Industrial and Systems Engineering(H. Milton Stewart工业与系统工程学院);Georgia Institute of Technology(佐治亚理工学院);Northwestern–Argonne Institute for Scientific and Engineering Excellence(西北-阿贡科学与工程卓越研究所)
DoFlow通过基于因果图的流模型实现时间序列的干预和反事实预测,并提供异常检测能力。
2026-03-01 cs.LG stat.ME stat.ML
AutoGluon-TimeSeries: AutoML for Probabilistic Time Series Forecasting
Amazon Web Services(亚马逊云科技);AWS AI Labs(AWS人工智能实验室)
本文提出开源AutoML库AutoGluon-TimeSeries,通过集成统计与机器学习模型,仅需3行代码即可实现高精度的概率时间序列预测,并在29个基准数据集上超越多种现有方法。
2023-08-10 cs.LG
Signature Kernel Scoring Rule: A Spatio-Temporal Diagnostic for Probabilistic Weather Forecasting
Department of Statistics, University of Warwick(沃里克大学统计系)
本文提出签名核评分规则,用于概率天气预测,通过迭代积分将天气变量视为连续路径,以编码时空依赖性,并在WeatherBench 2上验证其高判别力和路径依赖交互捕捉能力。
2026-04-30 cs.LG stat.AP stat.ML
Benchmarking Probabilistic Time Series Forecasting Models on Neural Activity
Department of Applied Mathematics, University of Washington(应用数学系,华盛顿大学);Department of Neurobiology and Biophysics, University of Washington(神经生物学与生物物理学系,华盛顿大学);Allen Institute for Brain Science(脑科学研究所);Department of Electrical and Computer Engineering, University of Washington(电气与计算机工程系,华盛顿大学)
针对深度学习在神经活动预测中应用有限的问题,研究系统评估8种概率深度学习模型与经典方法在小鼠皮层自发神经活动预测上的表现,发现深度学习模型更优,最优模型可预测1.5秒后的神经活动,为相关应用与研究提供新方向。
2025-10-22 cs.LG q-bio.NC stat.ML
CatBoostLSS -- An extension of CatBoost to probabilistic forecasting
我们提出了一个新的框架CatBoost预测整个条件分布的单变量响应变量。特别地,CatBoostLSS对参数分布的所有矩(即,平均值、位置、尺度和形状[LSS]),而不是仅条件平均值。从广泛的连续、离散和混合离散-连续分布中进行选择,对整个条件分布进行建模和预测,极大地增强了CatBoost的灵活性,因为它允许深入了解数据生成过程,以及创建概率预测,从中可以导出预测区间和感兴趣的分位数。我们提出了一个模拟研究和现实世界的例子,证明了我们的方法的好处。
2020-01-04 cs.LG stat.ME stat.ML
PaP-NF: Probabilistic Long-Term Time Series Forecasting via Prefix-as-Prompt Reprogramming and Normalizing Flows
Department of Industrial Engineering, Inha University, Incheon, Republic of Korea(韩国Inha大学工业工程系)
提出PaP-NF框架,利用前缀作为提示机制对齐连续时间序列表示与冻结的大语言模型,并基于归一化流解码器生成概率预测,在长期基准上捕获多模态不确定性并保持点预测精度。
2026-05-22 cs.AI cs.LG
Deep Generative Spatiotemporal Engression for Probabilistic Forecasting of Epidemics
Safir, Sorbonne University Abu Dhabi, United Arab Emirates(萨菲尔,索邦大学阿布扎赫德分校,阿联酋);SCAI, Sorbonne Université, Paris, France(SCAI,索邦大学巴黎分校,法国)
针对复杂时空依赖的流行病预测难题,提出深度时空回归法,通过轻量级生成架构内量化不确定性,经采样生成概率预测,在多数据集表现优,还探索了可解释性以助公共卫生干预。
2026-07-07 cs.LG stat.ME stat.ML
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
Investigating Calibration Challenges in Probabilistic Electricity Price Forecasting
Institute for Automation and Applied Informatics(自动化与应用信息学研究所);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文指出当前概率电价预测中评分规则偏向锐度而忽视校准,导致过自信估计,呼吁未来研究转向校准感知的目标和架构。
2026-06-08 cs.LG
GEFCOM 2014 - Probabilistic Electricity Price Forecasting
Budapest University of Technology and Economics(布达佩斯技术与经济大学)
能源价格预测是多步时间序列预测领域中的一个重要而又困难的课题。在本文中,我们比较了一个众所周知的和既定的方法,ARMA与一个相对较新的技术梯度提升回归的外生变量。该方法在2014年全球能源预测竞赛的数据上进行了测试,并进行了为期一年的滚动窗口预测。实验结果表明,多模型方法在误差度量方面表现得更好。梯度提升可以处理季节性和自相关的开箱即用,并在真实世界数据上实现较低的归一化平均绝对误差率。
2015-06-23 cs.CE cs.LG stat.AP
Diffusion-LAM: Probabilistic Limited Area Weather Forecasting with Diffusion
Linköping University(林雪平大学);SMHI(瑞典气象和水文研究所)
本文提出Diffusion-LAM,一种以边界数据为条件的概率有限区域天气模型,并在MEPS数据集上验证了其提供准确概率预报的潜力。
2025-04-10 cs.LG physics.ao-ph
Neural Network Middle-Term Probabilistic Forecasting of Daily Power Consumption
中期(数月至一年)的电力消耗预测是能源行业的主要挑战,特别是在考虑概率预测时。我们提出了一种新的建模方法,将趋势,季节性和天气条件,解释变量在一个浅神经网络与自回归功能。我们获得了良好的结果,密度预测的一年的测试集,将其应用于美国新英格兰地区的每日用电量。所实现的电力消耗概率预测的质量已得到验证,一方面,将结果与其他标准模型进行密度预测,另一方面,考虑到能源部门经常使用的措施,如弹球损失和CI回测。
2022-01-02 eess.SP stat.ME stat.ML
On-line conformalized neural networks ensembles for probabilistic forecasting of day-ahead electricity prices
CNR(国家研究委员会);University of Parma(帕尔马大学)
本文提出一种在线共形化神经网络集成方法,通过共形推断与在线重校准提升日前电价概率预测的小时覆盖率与概率评分稳定性。
2024-06-10 cs.LG
Bayesian Neural Networks with Monte Carlo Dropout for Probabilistic Electricity Price Forecasting
Faculty of Mathematics and Economics(数学与经济学学院);Ulm University(乌尔姆大学);Department of Mathematics, Natural and Economic Sciences(数学、自然科学与经济科学系);Ulm University of Applied Sciences(乌尔姆应用科学大学)
本文提出利用贝叶斯神经网络与蒙特卡罗滴落进行概率电价预测,通过日间模式建模优于传统基准模型。
2025-11-12 cs.LG