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
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
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
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
MPPN: Multi-Resolution Periodic Pattern Network For Long-Term Time Series Forecasting
China Mobile Research Institute(中国移动研究院)
针对长期时间序列预测中现有方法模式噪声多、可解释性差、忽略多变量个体特征的问题,提出MPPN架构,通过多分辨率语义单元、多周期模式挖掘、通道自适应模块及熵基可预测性评估方法,在9个基准上性能超越现有最优方法。
2023-06-12 cs.LG stat.ML
Temporal-Spatial dependencies ENhanced deep learning model (TSEN) for household leverage series forecasting
Central University of Finance and Economics(中央财经大学);Beijing Wuzi University(北京物资学院)
由于时空动态的复杂性,分析时间和空间模式以建立准确的金融时间序列预测模型是一项挑战:来自不同位置的时间序列通常具有不同的模式;对于同一时间序列,模式可能会随着时间的推移而变化。受深度学习成功应用的启发,本文提出了一个新的模型来解决中国家庭杠杆率的预测问题。我们的解决方案由多个基于RNN的层和一个注意层组成:每个基于RNN的层自动学习具有多变量外生序列的特定序列的时间模式,然后注意层学习空间相关权重并同时获得全局表示。结果表明,新方法能较好地捕捉到居民杠杆率的时空动态变化,预测结果更加准确可靠。此外,仿真研究还表明,聚类和选择相关序列是必要的,以获得准确的预测结果。
2022-10-17 cs.LG stat.ML
Deep Learning for Time Series Forecasting: Tutorial and Literature Survey
Amazon Research(亚马逊研究院);Zalando SE(Zalando公司)
基于深度学习的预测方法已成为时间序列预测或预测的许多应用中的首选方法,通常优于其他方法。因此,在过去几年中,这些方法现在在大规模工业预测应用中无处不在,并且一直在预测竞赛中排名最佳(例如,M4和M5)。这一实际成功进一步提高了学术界对理解和改进深度预测方法的兴趣。在这篇文章中,我们提供了一个介绍和概述的领域:我们提出了一些深度预测的重要组成部分;使用这些组成部分,我们调查了最近的深度预测文献的广度。
2022-06-15 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
Correlated Time Series Forecasting using Deep Neural Networks: A Summary of Results
Aalborg University(奥尔堡大学)
网络物理系统通常由随着时间的推移相互作用的实体组成。与此同时,作为工业过程持续数字化的一部分,各种传感器技术被部署,使我们能够记录时变属性(也称为,时间序列),从而产生相关的时间序列。为了能够对这种相关的时间序列进行准确的预测,本文提出了两种模型,结合卷积神经网络(CNN)和递归神经网络(RNN)。第一个模型在每个单独的时间序列上使用CNN,组合卷积特征,然后在卷积特征之上应用RNN,以实现预测。第二个模型将额外的自动编码器添加到各个CNN中,使第二个模型成为多任务学习模型,提供准确和强大的预测。在两个真实的相关时间序列数据集上的实验表明,所提出的两个模型是有效的,在大多数情况下优于基线。本报告通过提供额外的实验结果,扩展了ACM CIKM 2018上发表的论文“使用多任务深度神经网络进行相关时间序列预测”。
2018-08-30 cs.LG stat.ML
Comparing statistical and machine learning methods for time series forecasting in data-driven logistics -- A simulation study
TU Dortmund University(多特蒙德工业大学);UA Ruhr(鲁尔UA联盟);Research Center Trustworthy Data Science and Security(可信数据科学与安全研究中心)
本文通过模拟线性和非线性时间序列,系统比较统计学习方法与机器学习方法在物流场景中的一步预测性能,为数据驱动物流预测方法选择提供依据。
2024-06-06 cs.LG stat.ML
Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting
AI Institute(人工智能研究院);Shanghai Jiao Tong University(上海交通大学)
概率时间序列预测是根据历史数据估计未来时间序列的分布,这对于下游决策中的风险管理至关重要。我们提出了一种用于概率时间序列预测的深层状态空间模型,其中非线性排放模型和过渡模型由网络参数化,相关性由递归神经网络建模。我们采取自动相关性确定(ARD)的观点,并设计了一个网络,利用外生变量,除了时间序列。特别是,我们的ARD网络可以结合外生变量的不确定性,并最终帮助识别有用的外生变量,并抑制那些与预测无关的外生变量。多步预测的分布近似的Monte Carlo模拟。我们在实验中表明,我们的模型产生准确和尖锐的概率预测。我们预测的估计不确定性也随着时间的推移以自发的方式实际增加。
2021-01-31 cs.LG stat.ML
Time Series Forecasting Using LSTM Networks: A Symbolic Approach
The University of Manchester(曼彻斯特大学)
在原始数值时间序列数据上训练的机器学习方法表现出基本的局限性,例如对超参数甚至对随机权重的初始化的高敏感性。提出了一种递归神经网络与降维符号表示相结合的方法,并将其应用于时间序列预测。结果表明,符号表示可以帮助缓解上述问题中的一些,此外,可以允许更快的训练,而不牺牲预测性能。
2020-03-12 cs.LG stat.ML
Time Series Forecasting with Stacked Long Short-Term Memory Networks
Operations Group(运营组);Toronto Transit Commission(多伦多交通委员会)
长短期记忆(LSTM)网络通常用于捕获时间依赖模式。通过堆叠多层LSTM网络,它可以捕获更复杂的模式。本文探讨了将堆叠LSTM网络应用于时间序列预测领域的有效性,特别是交通量预测。能够更准确地预测交通量可以导致更好的规划,从而大大降低运营成本,提高整体效率。
2020-11-02 cs.LG stat.ML
Time Series Forecasting With Deep Learning: A Survey
University of Oxford(牛津大学)
已经开发了许多深度学习架构来适应跨不同域的时间序列数据集的多样性。在这篇文章中,我们调查了在一步前进和多水平时间序列预测中使用的常见编码器和解码器设计-描述了时间信息如何被纳入每个模型的预测。接下来,我们将重点介绍混合深度学习模型的最新发展,该模型将经过充分研究的统计模型与神经网络组件相结合,以改进任一类别的纯方法。最后,我们概述了深度学习也可以通过时间序列数据促进决策支持的一些方法。
2020-09-27 cs.LG stat.ML
Improving forecasting accuracy of time series data using a new ARIMA-ANN hybrid method and empirical mode decomposition
Middle East Technical University(中东技术大学);Massachusetts Institute of Technology(麻省理工学院)
在不同领域的许多应用中,都会产生大量的时间序列数据。做出准确的预测对于许多决策者来说至关重要。存在各种时间序列预测方法,其分别使用线性和非线性模型或两者的组合。研究表明,线性和非线性模型的结合可以有效地提高预测性能。然而,这些现有方法所做的一些假设可能会限制它们在某些情况下的性能。本文提出了一种新的自回归滑动平均(ARIMA)-人工神经网络(ANN)混合方法。实验结果表明,在整个杂交过程中,用于分解原始数据以及用于组合线性和非线性模型的策略是该方法预测性能的关键因素。通过使用适当的策略,我们的混合方法可以是一种有效的方法,以提高预测精度由传统的混合方法,也单独使用的个人方法。
2018-12-30 cs.LG stat.ML
An Introductory Study on Time Series Modeling and Forecasting
时间序列建模与预测在各个实际领域都具有重要意义。近年来,国内外学者对这一课题进行了大量的研究。为了提高时间序列预测的准确性和有效性,文献中提出了许多重要的模型。本论文工作的目的是提出一个简明的描述,在实践中使用的一些流行的时间序列预测模型,其显着特点。在这篇论文中,我们描述了三种重要的时间序列模型,即随机模型、神经网络模型和支持向量机模型,以及它们固有的预测优点和缺点。我们还讨论了与时间序列建模相关的基本问题,如平稳性,简约性,过拟合等。我们对不同的时间序列模型的讨论是通过给出实验预测结果来支持的,在六个实时的序列数据集上进行。在将模型拟合到数据集时,要特别注意选择最简约的模型。为了评估预测的准确性,以及比较不同的模型拟合到一个时间序列,我们使用了五个性能指标,即MSE,MAD,RMSE,MAPE和Theil的U统计。对于六个数据集中的每一个,我们都显示了所获得的预测图,该图以图形方式描绘了原始观测值和预测观测值之间的接近程度。为了在我们关于时间序列建模和预测的讨论中具有真实性和清晰性,我们采取了来自知名期刊和一些标准书籍的各种已发表的研究作品的帮助。
2013-02-26 cs.LG stat.ML
Topological Attention for Time Series Forecasting
University of Salzburg(萨尔茨堡大学)
研究了$ \textit{univariate} $时间序列的(点)预测问题。从传统的统计方法到最近的基于学习的神经网络技术,大多数方法都直接对原始时间序列观测进行操作。作为一个扩展,我们研究是否$\textit{local topological properties}$,通过持久的同源性捕获,可以作为一个可靠的信号,学习预测提供补充信息。为此,我们提出了$\textit{topological attention}$,它允许参加当地的拓扑特征的历史数据的时间范围内。我们的方法可以轻松地集成到现有的端到端可训练预测模型中,例如$\texttt{N-BEATS}$,并与后者相结合,在来自不同领域的100,000个不同时间序列的大规模M4基准数据集上表现出最先进的性能。烧蚀实验,以及比较广泛的预测方法,在设置中,只有一个单一的时间序列是可用于培训,证实了有益的性质,包括当地的拓扑信息,通过注意力机制。
2021-07-19 cs.LG stat.ML
Timer-XL: Long-Context Transformers for Unified Time Series Forecasting
Tsinghua University(清华大学);School of Software(软件学院)
提出Timer-XL,一种用于统一时间序列预测的因果Transformer,通过多元下一个token预测和TimeAttention机制,在多个预测基准上实现最先进性能并支持零样本预测。
2025-03-02 cs.LG stat.ML
A machine learning approach for forecasting hierarchical time series
University of Rome Tor Vergata(罗马第二大学)
在本文中,我们提出了一个机器学习方法预测分层时间序列。在处理分层时间序列时,除了生成准确的预测外,还需要选择一种合适的方法来生成协调的预测。预测调节是调整预测以使其在整个层次结构中保持一致的过程。在文献中,一致性往往是通过使用后处理技术的基础上产生适当的时间序列预测方法的预测。相反,我们的想法是使用深度神经网络直接产生准确和协调的预测。我们利用深度神经网络的能力来提取捕获层次结构的信息。我们在训练时通过最小化定制的损失函数来进行协调。在许多实际应用中,除了时间序列数据,层次时间序列包含解释变量,有利于提高预测精度。利用这些进一步的信息,我们的方法链接到一个端到端的神经网络提供准确和协调的点预测的层次结构和解释变量的任何级别提取的时间序列特征之间的关系。在三个真实数据集上验证了该方法的有效性,其中我们的方法在分层预测中优于最先进的竞争对手。
2021-05-03 cs.LG stat.ML
Warped Input Gaussian Processes for Time Series Forecasting
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
我们引入了一个基于高斯过程的模型来处理非平稳性。通过对后续观测输入之间的距离的相对变化施加先验,非参数化地实现了翘曲。该模型允许使用通用梯度优化算法进行训练,并且在训练和预测时只产生很小的计算开销。该模型发现其应用在预测中的非平稳时间序列逐渐变化的波动性,存在的变化点,或其组合。我们评估模型的合成和真实世界的时间序列数据比较基线和已知的国家的最先进的方法,并表明该模型具有国家的最先进的预测性能,在较低的实现和计算成本。
2019-12-05 cs.LG stat.ML
Improving the Accuracy of Global Forecasting Models using Time Series Data Augmentation
Monash University(莫纳什大学);Beihang University(北京航空航天大学)
在多个时间序列集合中训练的预测模型,称为全局预测模型(GFM),最近在预测竞赛和现实世界的应用中显示出有希望的结果,优于许多最先进的单变量预测技术。在大多数情况下,GFM使用深度神经网络来实现,特别是递归神经网络(RNN),其需要足够量的时间序列来估计其众多的模型参数。然而,许多时间序列数据库只有有限数量的时间序列。在这项研究中,我们提出了一种新的,基于数据增强的预测框架,能够提高基线精度的GFM模型在数据不丰富的设置。我们使用三个时间序列增强技术:GRATIS,移动块引导(MBB),和动态时间规整重心平均(DBA)综合生成一个时间序列的集合。然后,使用两种不同的方法将从这些增强的时间序列中获得的知识转移到原始数据集:池化方法和迁移学习方法。当构建GFM时,在池化方法中,我们在原始时间序列数据集旁边的增强时间序列上训练模型,而在迁移学习方法中,我们将预训练模型适应新数据集。在我们对竞争和真实世界时间序列数据集的评估中,我们提出的变体可以显着提高GFM模型的基线准确性,并优于最先进的单变量预测方法。
2020-08-06 cs.AI cs.LG stat.ML
Optimal Latent Space Forecasting for Large Collections of Short Time Series Using Temporal Matrix Factorization
Mastercard AI Garage(万事达人工智能车库)
在时间序列预测的背景下,通常的做法是评估多种方法,并选择其中一种方法或一个集合来产生最佳预测。然而,在多种方法中选择不同的集合仍然是一项具有挑战性的任务,随着方法数量的增加,它会经历组合爆炸。在需求预测或收入预测的背景下,由于业务环境的变化,大量的时间序列以及有限的历史数据点进一步加剧了这一挑战。虽然深度学习预测方法旨在同时预测大量时间序列,但由于可用的历史有限,它们在这种情况下的应用变得具有挑战性,并且可能不会产生理想的结果。我们提出了一个框架,预测短期高维时间序列数据相结合的低秩时间矩阵分解和最优模型选择潜在的时间序列,使用交叉验证。我们表明,预测的潜在因素导致显着的性能增益相比,直接应用不同的单变量模型的时间序列。性能已验证截断版本的M4每月数据集,其中包含时间序列数据从多个域显示的方法的普遍适用性。此外,由于潜在因素的数量很少,这在直接将预测方法应用于高维数据集时通常是不切实际的,因此可以将分析师对未来的看法结合起来。
2021-12-15 cs.AI cs.LG stat.ML
Cross-Frequency Time Series Meta-Forecasting
Stanford University(斯坦福大学);AWS AI Labs(AWS人工智能实验室)
元预测是元学习与时间序列预测相结合的一个新兴领域。元预测的目标是对源时间序列的集合进行训练,并一次一个地推广到新的时间序列。以前的元预测方法实现了竞争性的性能,但限制了为每个采样频率训练单独的模型。在这项工作中,我们研究了不同采样频率下的元预测,并引入了一个新的模型,连续频率适配器(CFA),专门用于学习频率不变表示。我们发现CFA在推广到不可见频率时大大提高了性能,为在更大的多频率数据集上进行预测迈出了第一步。
2023-02-04 cs.LG
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
Optimizing Time Series Forecasting Architectures: A Hierarchical Neural Architecture Search Approach
Institute of Artificial Intelligence(人工智能研究所);Leibniz University Hannover(汉诺威莱布尼茨大学);L3S Research Center(L3S研究中心)
本文提出一种层次化神经架构搜索方法,通过设计层次化搜索空间高效组合多种预测模块,在长期时间序列预测任务上搜索出轻量级高性能架构。
2025-10-23 cs.LG
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
Boosted Embeddings for Time Series Forecasting
PALO ALTO NETWORKS(帕洛阿尔托网络公司);ADVANCED APPLIED AI RESEARCH(高级应用人工智能研究院)
时间序列预测是各种数据驱动应用中出现的一项基本任务。许多先进的自回归方法,如ARIMA被用来建立预测模型。最近,基于深度学习的方法,如DeepAr,NeuralProphet,Seq2Seq已经被探索用于时间序列预测问题。本文提出了一种新的时间序列预测模型DeepGB。我们制定并实现了梯度提升的变体,其中弱学习者是DNN,其权重在迭代中以贪婪的方式递增。特别是,我们开发了一种新的嵌入架构,使用梯度提升变体提高了许多深度学习模型在时间序列上的性能。我们证明,我们的模型优于现有的可比国家的最先进的模型,使用真实世界的传感器数据和公共数据集。
2021-07-11 cs.AI cs.LG stat.ML
Cross-LKTCN: Modern Convolution Utilizing Cross-Variable Dependency for Multivariate Time Series Forecasting Dependency for Multivariate Time Series Forecasting
Tsinghua University(清华大学)
针对多变量时间序列预测中跨变量依赖建模不足的问题,提出纯卷积结构 Cross-LKTCN,通过大核卷积与分组逐点卷积联合建模跨时间和跨变量依赖,在基准上达到最先进性能。
2023-06-04 cs.LG
Two-Step Meta-Learning for Time-Series Forecasting Ensemble
Kaunas University of Technology(考纳斯理工大学);Rivile(Rivile私人有限责任公司)
收集的历史数据量增加,对自动预测时间序列的商业智能适用性的需求很高。虽然没有一个单一的时间序列建模方法是通用的所有类型的动态,预测使用的几种方法的合奏往往被视为一种妥协。我们建议使用元学习自适应地预测这些方面,而不是固定集成多样性和大小。这里的元学习考虑了两个独立的随机森林回归模型,建立在390个时间序列特征上,对22个单变量预测方法进行排名并推荐集成大小。因此,预测集合由排名最佳的方法组成,并使用简单平均或加权平均(权重对应于倒数排名)来汇总预测。所提出的方法进行了测试12561微观经济时间序列(扩大到38633各种预测视野)的M4竞争,元学习优于Theta和梳基准的相对预测误差为所有数据类型和视野。通过加权合并获得了最佳总体结果,对称平均绝对百分比误差为9.21%,而使用Theta方法获得的平均绝对百分比误差为11.05%。
2022-04-15 cs.LG stat.ME stat.ML
Forecasting Method for Grouped Time Series with the Use of k-Means Algorithm
Ryazan State Radio Engineering University(梁赞国立无线电工程学院);Moscow Technological Institute(莫斯科技术学院);National Research University Higher School of Economics (HSE)(俄罗斯国家研究型高等经济大学)
研究了利用聚类分析算法对时间序列群进行预测的方法。提出了$K$ -均值算法作为聚类的基本算法。聚类中心的坐标与聚类的质心对应。时间序列的描述,聚类的质心,实现与预测模型的使用。它们是基于严格的二叉树和一个修改的克隆选择算法。借助于这种预测模型,形成分析相关性的可能性。建议对聚类中的私有(个体)时间序列,采用聚类质心时间序列的公共预测模型进行预测。所提出的分组时间序列预测方法的应用前景被证明。
2015-09-15 cs.LG
Respecting Time Series Properties Makes Deep Time Series Forecasting Perfect
Beihang University(北京航空航天大学)
如何处理时间特征是任何时间序列预测模型的核心问题。具有讽刺意味的是,它经常被基于深度学习的模型忽视或误解,即使是那些最先进的基线。这种行为使得它们效率低下,站不住脚和不稳定。本文从时间序列特性的角度出发,严格分析了三种流行的但存在缺陷/不足的深度时间序列预测机制或方法,包括归一化方法、多变量预测和输入序列长度。从经验和理论两方面给出了相应的推论和解决办法。因此,我们提出了一种新的时间序列预测网络,即RTNet,在上述分析的基础上。它足够通用,可以与监督和自监督预测格式相结合。由于尊重时间序列属性的核心思想,无论采用哪种预测格式,RTNet在三个真实世界的基准数据集上与其他数十种SOTA时间序列预测基线相比,都显示出明显优越的预测性能。总的来说,它甚至占用更少的时间复杂度和内存使用,同时获得更好的预测精度。源代码可在https://github.com/OrigamiSL/RTNet上获得。
2022-07-22 cs.AI cs.LG
Deep Learning for Energy Time-Series Analysis and Forecasting
Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学)
本文探讨了旨在提升能源时间序列预测任务性能的各种深度学习方法,重点关注希腊能源市场,并为读者提供实践应用所需知识。
2023-06-29 cs.LG
Signals, Concepts, and Laws: Toward Universal, Explainable Time-Series Forecasting
The University of Sydney(悉尼大学)
DORIC通过五个自监督概念和物理约束实现通用、可解释的时间序列预测
2025-12-01 cs.LG
CATS: Enhancing Multivariate Time Series Forecasting by Constructing Auxiliary Time Series as Exogenous Variables
Georgia Institute of Technology(佐治亚理工学院);Amazon Web Services(亚马逊网络服务)
CATS通过构建辅助时间序列作为外生变量,有效提升多变量时间序列预测的性能,实现高效且可转移的预测解决方案。
2026-02-05 cs.AI cs.LG stat.ML
Drift-Adjusted And Arbitrated Ensemble Framework For Time Series Forecasting
WalmartLabs(沃尔玛实验室)
时间序列预测是许多实际应用的核心,如商业销售预测,农业降雨预测等。虽然这个问题已经被广泛研究多年,它仍然被认为是一个具有挑战性的问题,由于时间序列数据的复杂性和不断变化的性质。提出的时间序列预测的典型方法建模数据观测之间的线性或非线性相关性。然而,人们普遍认为,没有一种方法对所有类型的时间序列数据都是普遍有效的。人们已经尝试使用异构和独立的预测模型的动态和加权组合,它已被发现是一个很有前途的方向来解决这个问题。该方法基于不同的预测器对不同分布的数据具有不同的专业化和不同的性能的假设,并且相应地将权重动态地分配给多个预测器。然而,在许多实际的时间序列数据集中,数据的分布是随时间缓慢演化的。我们建议采用一种基于重新加权的方法来调整分配给各种预测的权重,以考虑这种分布漂移。对真实世界和合成时间序列进行了详尽的测试。实验结果表明,该方法的竞争力相比,国家的最先进的方法相结合的预测和处理漂移。
2020-03-16 cs.AI cs.LG stat.ML
Can time series forecasting be automated? A benchmark and analysis
Technical University of Eindhoven(埃因霍温理工大学)
针对时间序列预测方法选择困难的问题,提出综合基准评估AutoGluon-Timeseries和sktime框架,揭示其适用性并促进最优预测方法选择。
2024-07-25 cs.LG
Long-term series forecasting with Query Selector -- efficient model of sparse attention
MORAI;Nicholas Copernicus University(尼古拉斯·哥白尼大学)
近年来,各种变形的变压Transformer被用来解决时间序列预测问题。我们提出了一个有效的,确定性算法稀疏注意矩阵的查询树。在ETT、Helpdesk和BPI'12数据集上的实验结果表明,该方法取得了较好的效果。
2021-08-17 cs.LG
Multi-step Time Series Forecasting Using Ridge Polynomial Neural Network with Error-Output Feedbacks
Universiti Tun Hussein Onn Malaysia(马来西亚敦胡先翁大学);Hodeidah University(荷台达大学)
时间序列预测因其在许多实际应用中的重要性而备受关注。具有反馈的高阶神经网络是一种有效的预测方法。它保持快速学习和学习系列随时间变化的动态的能力。为此,在本文中,我们提出了一种新的模型,这是所谓的岭多项式神经网络与错误输出反馈(RPNN-EOFs),结合了高阶和错误输出反馈的性质。使用著名的Mackey-Glass时间序列来测试RPNN-EOFS的预测能力。仿真结果表明,所提出的RPNN-EOFs提供了更好的理解Mackey-Glass时间序列的均方根误差等于0.00416。这个结果比文献中的其他模型要小。因此,我们可以得出结论,RPNN-EOFs可以成功地应用于时间序列预测。
2018-11-28 cs.LG cs.NE stat.ML
A New Unified Deep Learning Approach with Decomposition-Reconstruction-Ensemble Framework for 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);School of Mathematical Sciences, University of Chinese Academy of Sciences(中国科学院大学数学科学学院);School of Management, Xi'an Jiaotong University(西安交通大学管理学院)
针对时间序列预测问题,提出了一种基于变分模式分解(VMD)的深度学习方法。首先,采用VMD将原始时间序列分解为若干个子信号。然后,应用卷积神经网络(CNN)来学习分解的子信号上的重构模式,以获得多个重构的子信号。最后,利用长短期记忆(LSTM)网络对分解后的子信号和重构后的子信号作为输入的时间序列进行预测。所提出的VMD-CNN-LSTM方法起源于分解-重构-集成框架,并通过将重构,单一预测和集成步骤嵌入到统一的深度学习方法中进行创新。为了验证所提出的方法的预测性能,四个典型的时间序列数据集进行实证分析。实验结果表明,该方法在预测精度方面优于基准方法,同时也表明,由CNN重构得到的子信号对于进一步提高预测性能具有重要意义。
2020-02-22 cs.LG stat.AP stat.ML
Financial Time Series Forecasting with Deep Learning : A Systematic Literature Review: 2005-2019
TOBB University of Economics and Technology(TOBB经济与技术大学)
金融时间序列预测由于其广泛的应用领域和巨大的影响力,无疑是学术界和金融业金融研究人员的首选计算智能。机器学习(ML)研究人员提出了各种模型,并相应地发表了大量研究。因此,有大量的调查涵盖了ML的金融时间序列预测研究。最近,深度学习(DL)模型开始出现在该领域,其结果显着优于传统的ML同行。尽管人们对开发金融时间序列预测研究模型的兴趣越来越大,但缺乏专门针对金融DL的综述论文。因此,我们在本文中的动机是提供一个全面的文献综述DL研究的金融时间序列预测的实现。我们不仅根据预期的预测实施领域(如指数、外汇、商品预测)对研究进行分类,还根据DL模型选择(如卷积神经网络(CNN)、深度信念网络(DBN)、长短期记忆(LSTM))对研究进行分组。我们还试图通过强调可能的挫折和机遇来展望该领域的未来,以便感兴趣的研究人员能够受益。
2019-11-29 cs.LG q-fin.CP stat.ML
Boosted Ensemble Learning based on Randomized NNs for Time Series Forecasting
Częstochowa University of Technology(琴斯托霍瓦工业大学);Facebook(脸书)
时间序列预测是一个具有挑战性的问题,特别是当一个时间序列表示多个季节性,非线性趋势和变化的方差。在这项工作中,预测复杂的时间序列,我们提出了集成学习,这是基于随机神经网络,并提高了三种方式。这些包括基于残差、校正目标和相对响应的集成学习。后两种方法用于确保所有集合成员解决类似的预报任务,这证明在集合的所有阶段使用完全相同的基础模型是合理的。统一所有成员的任务简化了集成学习,并提高了预测精度。这一点在一项涉及预测具有三重季节性的时间序列的实验研究中得到了证实,在该研究中,我们比较了我们的三种集成增强变体。基于RandNN的建议集成的优点是非常快速的训练和基于模式的时间序列表示,从时间序列中提取相关信息。
2022-03-02 cs.LG
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
Hyperparameter Tuning MLPs for Probabilistic Time Series Forecasting
University Of Hildesheim(希尔德斯海姆大学);VWFS Data Analytics Research Center(大众汽车金融服务数据分析研究中心)
本研究探究上下文长度、验证策略等时间序列相关超参数对最优MLP预测性能的影响,构建了含97200次评估的最大时间序列预测元数据集TSBench,并验证其在多保真度超参数优化中的效用。
2024-03-07 cs.LG
Forecasting large collections of time series: feature-based methods
University of Science & Technology Beijing(北京科技大学);Central University of Finance and Economics(中央财经大学);Beihang University(北京航空航天大学)
本章综述面向大规模时间序列集合预测的两类基于特征的方法——模型选择与模型组合,并结合开源实现介绍相关最新进展。
2023-09-25 cs.LG
Series Saliency: Temporal Interpretation for Multivariate Time Series Forecasting
Tsinghua University(清华大学)
时间序列预测是一项重要而又具有挑战性的任务。虽然最近开发了深度学习方法来提供更好的预测结果,但提高时间序列模型的可解释性至关重要。以往的解释方法,包括一般的神经网络方法和基于注意力的方法,主要考虑特征维度的解释,而忽略了关键的时间维度。本文提出了多元时间序列预测时间解释的序列显著性框架,该框架考虑了特征和时间两个维度的预测解释。通过从时间序列的滑动窗口中提取“序列图像”,我们应用显著图分割遵循最小破坏区域的原则。序列显着性框架可以用于任何定义良好的深度学习模型,并作为数据增强来获得更准确的预测。几个真实数据集上的实验结果表明,我们的框架产生的时间序列预测任务的时间解释,同时产生准确的时间序列预测。
2020-12-16 cs.AI cs.LG
Forecasting Weakly Correlated Time Series in Tasks of Electronic Commerce
Kharkiv National University of Radioelectronics(哈尔科夫国立无线电电子大学)
本文以某电子商店的转化率序列为例,利用指数平滑、神经网络和决策树等方法对转化率的弱相关时间序列进行预测。每种方法的优点和缺点被认为是。
2019-04-16 cs.LG
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
Tackling Time-Series Forecasting Generalization via Mitigating Concept Drift
Georgia Institute of Technology(佐治亚理工学院)
本文提出ShifTS框架,通过统一处理时间序列中的时间漂移和概念漂移,提升预测准确性。
2026-03-25 cs.LG
Learning from Multiple Time Series: A Deep Disentangled Approach to Diversified Time Series Forecasting
Zhejiang University(浙江大学);Alibaba Group(阿里巴巴集团)
时间序列预测在许多应用中是一个重要的问题,例如,财务预测和业务优化。现代数据集可以有多个相关的时间序列,它们通常是由全局(共享)动态和局部(特定)动态生成的。在本文中,我们试图用DeepDGL来解决这些预测问题,DeepDGL是一种深度预测模型,它将动态分解为全局和局部时间模式。DeepDGL采用编码器-解码器架构,由两个编码器组成,分别学习全局和局部时间模式,以及一个解码器进行多步预测。具体地说,为了对复杂的全局模式进行建模,引入了矢量量化(VQ)模块,允许全局特征编码器在所有时间序列中学习共享码本。为了模拟多样化和异质性的局部模式,提出了一种基于对比多水平编码(CMC)的自适应参数生成模块,用于为每个时间序列生成局部特征编码器的参数,最大化序列特定上下文变量与相应时间序列的长/短期表示之间的互信息.我们在几个真实世界数据集上的实验表明,DeepDGL优于现有的最先进的模型。
2021-11-09 cs.LG
ETSformer: Exponential Smoothing Transformers for Time-series Forecasting
Salesforce Research Asia(Salesforce亚洲研究院);Singapore Management University(新加坡管理大学)
近年来,Transformers在时间序列预测中得到了积极的研究。虽然在各种情况下经常显示出有希望的结果,但是传统的Transformers并没有被设计为充分利用时间序列数据的特性,因此受到一些基本限制,例如,它们通常缺乏分解能力和可解释性,对于长期预测来说既不有效也没有效率。在本文中,我们提出了ETSFormer,一个新的时间序列Transformer架构,它利用指数平滑的原则,改善Transformers的时间序列预测。特别是,受时间序列预测中经典指数平滑方法的启发,本文提出了新的指数平滑注意(ESA)和频率注意(FA)机制来取代传统Transformers中的自注意机制,从而提高了预测精度和效率。在此基础上,我们重新设计了Transformer的架构与模块化分解块,使它可以学习分解的时间序列数据到可解释的时间序列组件,如水平,增长和季节性。在各种时间序列基准上的大量实验验证了该方法的有效性和优势。代码可在https://github.com/salesforce/ETSformer上获得。
2022-06-20 cs.LG
Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting
本文提出代理时间序列预测框架,强调通过代理流程实现动态适应与持续学习,推动时间序列预测方法的革新。
2026-03-11 cs.LG
Deep Learning-Based Financial Time Series Forecasting via Sliding Window and Variational Mode Decomposition
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出滑动窗口结合VMD的深度学习金融预测模型,将非平稳序列分解为平滑子分量后输入LSTM,实验表明其预测性能与稳定性优于原始序列方法。
2025-08-21 cs.LG
Counterfactual Explanations for Time Series Forecasting
Stockholm University(斯德哥尔摩大学)
本文提出ForecastCF算法,通过梯度扰动和预测值约束生成时间序列预测的反事实解释,实验证明其在有效性和数据流形接近度上优于基线。
2023-10-12 cs.LG
Not All Frequencies Are Created Equal:Towards a Dynamic Fusion of Frequencies in Time-Series Forecasting
Institute of Software Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学)
针对时间序列预测中频率处理问题,提出FreDF方法,通过动态融合各频率分量,适应不同场景,并证明其具有更优泛化能力,实验验证有效。
2024-11-05 cs.LG