Conditional Regime Analog Forecasting with Trajectories: A Nonparametric Framework for Multivariate Probabilistic
本研究提出多元概率时间序列预测的非参数框架CRAFT，通过构建轨迹轮廓、学习状态标签等方法保留依赖关系，经模拟基准验证其预测性能优于多种对比方法。
2026-08-11 stat.ME
Latent Gaussian dynamic factor modeling and forecasting for multivariate count time series
针对多元高维计数时间序列，提出基于潜高斯动态因子变换的建模方法，利用二阶性质与主成分分析估计参数并证明理论一致性，结合 Kalman 滤波与序贯 Monte Carlo 实现预测。
2025-04-03 econ.EM stat.ME
Temporally-Reweighted Chinese Restaurant Process Mixtures for Clustering, Imputing, and Forecasting Multivariate Time Series
Probabilistic Computing Project Massachusetts Institute of Technology（麻省理工学院概率计算项目）
本文提出了一种贝叶斯非参数方法，用于稀疏观测的多变量时间序列数据的预测、插补和聚类。该方法适用于联合建模数百个时间序列广泛变化，非平稳动态。给定$N$时间序列的集合，贝叶斯模型首先使用中国餐馆过程先验将它们划分为独立的聚类。在一个集群内，所有的时间序列建模共同使用一种新的“临时重新加权”的中国餐馆的过程混合物的扩展。使用马尔可夫链蒙特卡罗技术从后验分布中获得样本，然后将其用于形成预测推断。我们使用美国疾病控制和预防中心的季节性流感数据将该技术应用于具有挑战性的预测和估算任务，与多个广泛使用的基线相比，显示出卓越的预测准确性和具有竞争力的估算准确性。我们进一步表明，该模型发现可解释的集群数据集与数百个时间序列，使用宏观经济数据从Gapminder基金会。
2018-04-01 cs.LG stat.ME stat.ML
A Statistics and Deep Learning Hybrid Method for Multivariate Time Series Forecasting and Mortality Modeling
University of the Witwatersrand（金山大学）；University of Johannesburg（约翰内斯堡大学）
混合方法已被证明在预测任务和量化与这些预测（预测区间）相关的不确定性方面优于纯统计和纯深度学习方法。一个例子是指数平滑递归神经网络（ES-RNN），它是统计预测模型和递归神经网络变体之间的混合。ES-RNN在Makridakis-4预测竞赛中的绝对误差提高了9.4%。这种改进和其他混合模型的类似表现主要仅在单变量数据集上得到证明。将混合预测方法应用于多变量数据的困难包括（$i$）不简约的模型的超参数调整所涉及的高计算成本，（$ii$）与数据中固有的自相关相关联的挑战，以及（$iii$）可能难以捕获的协变量之间的复杂依赖性（互相关）。本文提出了多元指数平滑长短期记忆（MES-LSTM），这是ES-RNN的一种广义多元扩展，它克服了这些挑战。MES-LSTM使用矢量化实现。我们在2019年冠状病毒病（COVID-19）发病率数据集上测试了MES-LSTM，发现我们的混合方法在预测准确性和预测区间构建方面比纯统计和深度学习方法表现出一致的显着改进。
2021-12-16 cs.LG stat.ML
Multivariate Forecasting Evaluation: On Sensitive and Strictly Proper Scoring Rules
近年来，概率预测是一个新兴的话题，这就是为什么有一个合适的方法来评估多变量预测的需求越来越大。我们分析了最常见的评分规则的敏感性，特别是关于预测的依赖结构的质量。此外，我们提出了基于copula的评分规则，它唯一地描述了每个连续边缘分布的概率分布的依赖结构。有效估计所考虑的评分规则和评价方法，如Diebold-Mariano测试进行了讨论。在详细的模拟研究中，我们比较了著名的评分规则和我们提出的性能。除了基于最近发表的结果的扩展合成研究，我们还考虑了一个真实的数据例子。我们发现，能量分数，这可能是最广泛使用的多元评分规则，执行candidate以及在检测预测错误，也关于依赖关系。这与其他研究相矛盾。结果还表明，建议copula得分提供了非常强的区分模型之间的正确和不正确的依赖结构。最后，我们将全面讨论拟议的方法。
2019-10-16 econ.EM stat.ME stat.ML
Multivariate probabilistic forecasting using Bayesian model averaging and copulas
我们提出了一种后处理的多元预报合奏，以获得一个联合预测分布的天气的方法。我们的方法利用现有的单变量后处理技术，在这种情况下，系综贝叶斯模型平均（BMA），以获得估计的边缘分布。然而，单独实现这些方法不能提供关于联合分布的信息。为了纠正这一点，我们建议使用高斯copula，它提供了一个简单的程序，用于恢复的依赖，在估计的合奏BMA边缘丢失。我们的方法被应用到48小时预报的一组五个天气量使用8名成员的华盛顿大学中尺度合奏。我们表明，我们的方法恢复了许多很好理解的天气量之间的依赖关系，并随后提高了校准和清晰度的原始合奏和方法，不包括联合分布信息。
2012-02-17 stat.AP
A dynamic copula model for probabilistic forecasting of non-Gaussian multivariate time series
针对多元时间序列的异质性非高斯特征及传统方法的建模局限，提出一种基于动态因子高斯Copula的后验近似策略，实现可扩展全贝叶斯推断，在模拟与真实数据上均取得更优的概率预测性能。
2025-02-24 stat.ME
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
MTHetGNN: A Heterogeneous Graph Embedding Framework for Multivariate Time Series Forecasting
Chongqing University（重庆大学）；Zhejiang University（浙江大学）
多变量时间序列预测通过分析历史时间序列来预测未来趋势，可以有效地帮助决策。MTS中变量之间的复杂关系，包括静态、动态、可预测和潜在的关系，使得挖掘MTS的更多特征成为可能。复杂关系的建模不仅是刻画潜在依赖和建模时态依赖的必要条件，也给MTS预测任务带来了巨大的挑战。然而，现有的方法主要集中在建模MTS变量之间的某些关系。在本文中，我们提出了一种新的端到端深度学习模型，称为通过异构图神经网络进行多变量时间序列预测（MTHetGNN）。为了刻画变量之间的复杂关系，MTHetGNN设计了关系嵌入模块，将每个变量看作一个图节点，每种边表示一种特定的静态或动态关系。同时，时间嵌入模块引入时间序列的特征提取，其中涉及卷积神经网络（CNN）滤波器与不同的感知尺度。最后，采用异构图嵌入模块来处理两个模块生成的复杂结构信息。来自现实世界的三个基准数据集被用来评估所提出的MTHetGNN。综合实验表明，MTHetGNN在MTS预测任务中取得了较好的效果。
2021-12-15 cs.LG stat.ML
A partial correlation vine based approach for modeling and forecasting multivariate volatility time-series
提出了一种实现协方差阵动态建模和预测的新方法。联合估计已实现方差和已实现相关矩阵。一个正定的相关矩阵和它的相关的一组偏相关对应于任何葡萄树规格之间的一对一的关系被用于数据转换。因此，模型的组成部分是已实现的方差以及已实现的标准相关和偏相关，对应于每日的对数收益序列。因此，它们有明确的实际解释。一种方法来选择一个定期藤结构，它允许简约的时间序列和模型组件的依赖建模，介绍。由于代数独立，后者不受任何代数约束。所提出的模型方法进行了详细的概述和动机，以及一个真实的数据的例子，对六个高流动性的股票。的预测性能进行评估的统计精度和投资组合优化的背景下。与基于Cholesky分解的基准模型的比较支持所提出的模型方法的优秀的预测能力。
2019-02-15 stat.ME
Multivariate Probabilistic Time Series Forecasting via Conditioned Normalizing Flows
Zalando Research（Zalando研究院）
时间序列预测通常是科学和工程问题的基础，并使决策成为可能。随着数据集大小的不断增加，扩大预测的一个简单解决方案是假设交互时间序列之间的独立性。然而，建模统计依赖性可以提高准确性，并能够分析交互作用效应。深度学习方法非常适合这个问题，但多变量模型通常假设一个简单的参数分布，并且不能扩展到高维。在这项工作中，我们通过自回归深度学习模型对时间序列的多变量时间动态进行建模，其中数据分布由条件归一化流表示。这种组合保留了自回归模型的功能，例如外推到未来的良好性能，以及作为通用高维分布模型的流量灵活性，同时保持计算上的易处理性。我们表明，它提高了许多现实世界的数据集与几千个相互作用的时间序列的标准指标的最先进的。
2021-01-14 cs.LG stat.ML
LAVARNET: Neural Network Modeling of Causal Variable Relationships for Multivariate Time Series Forecasting
Information Technologies Institute, Centre of Research and Technology Hellas（希腊研究与技术中心信息技术研究所）
多变量时间序列预测在许多科学学科和工业部门中具有重要意义。多变量时间序列的演化取决于其变量的动态和它们之间因果关系的连接网络。大多数现有的时间序列模型不考虑系统变量之间的因果关系，即使他们这样做，他们只是依赖于确定变量之间的因果关系网络。了解这样一个复杂网络的结构，甚至更具体地说，了解对底层过程有贡献的确切滞后变量，对于多变量时间序列预测任务至关重要。后者是一个相当未开发的信息来源。在这个方向上，这里提出了一种新的基于神经网络的架构，称为滞后变量表示网络（LAVARNET），它本质上估计滞后变量的重要性，并结合高维潜在的表示，他们预测未来的时间序列值。我们的模型与其他基线和最先进的神经网络架构的一个模拟数据集和四个真实的数据集，从气象，音乐，太阳活动和金融领域进行了比较。在大多数的实验中，所提出的架构优于竞争对手的架构。
2020-09-02 cs.LG cs.NE stat.ML
Multivariate Forecasting of Crude Oil Spot Prices using Neural Networks
Oregon State University（俄勒冈州立大学）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）
原油是世界上大多数发达经济体的主要组成部分。准确地预测和理解原油价格的行为对经济学家、分析师、预测师和交易员都很重要。原油价格在过去十年中有所下降，目前正处于稳定阶段;但这种稳定会持续下去吗？本文是一个实证研究，探讨如何利用多变量分析来预测原油现货价格使用神经网络。使用神经网络的概念显示出很有希望的潜力。一个非常简单的神经网络模型能够与ARIMA模型（时间序列预测的最先进模型）相媲美。使用更大数据集的高级神经网络模型可以在未来用于将该概念验证扩展到全尺度框架。
2018-11-21 cs.LG stat.ML
Grouped multivariate and functional time series forecasting: An application to annuity pricing
特定人群的死亡率往往按不同属性分列，如性别、州、族裔群体和社会经济地位。在国家和国家以下各级制定社会政策和年金定价时，不仅要准确预测死亡率，而且要确保国家以下各级的预测与国家一级的预测相一致。这激发了分组功能时间序列方法（Shang和Hyndman，2017）的最新发展，以协调特定年龄的死亡率预测。我们将这些分组功能时间序列预测方法扩展到多变量时间序列，并将其应用于老年人死亡率的点预测，从中可以为不同年龄和到期日的固定期限年金定价。使用日本死亡率数据库中的日本各地区年龄别死亡率，我们研究了独立预测方法和分组预测方法之间的一步到15步预测精度。分组的预测方法不仅是有用的，在国家和国家以下各级的年龄别死亡率的预测进行协调，但它们也被证明可以提高预测的准确性。提高死亡率的预测准确性对于保险和养老金行业估计年金价格非常重要，特别是在人口亚组的水平上，由性别，地区和社会经济分组等关键因素定义。
2017-05-22 stat.AP
ARM: Refining Multivariate Forecasting with Adaptive Temporal-Contextual Learning
Georgia Institute of Technology（佐治亚理工学院）；Amazon Web Services（亚马逊网络服务）
ARM通过自适应时间-上下文学习方法提升多变量长期时间序列预测的性能和效率
2026-02-05 cs.LG stat.ML
Nonparametric forecasting of multivariate probability density functions
随机变量间相关性的研究是理论统计和应用统计学的核心内容。静态和动态copula模型是有用的描述依赖结构，这是完全加密的copula概率密度函数。然而，这些模型并不总是能够描述依赖模式的时间变化，这是金融数据的一个关键特征。我们提出了一种新的非参数框架建模的时间序列的Copula概率密度函数，它允许预测整个功能，而不需要后处理程序，以授予积极性和单位积分。我们利用一个合适的等距，允许转移分析的平方可积函数的空间的一个子集，在那里我们建立在非参数函数数据分析技术来执行分析。该框架不假设密度属于任何参数族，它也可以成功地应用于一般的多元概率密度函数有界或无界的支持。最后，一个值得注意的应用领域涉及通过藤copula模型表示的时变网络的研究。我们应用所提出的方法来估计和预测S\P500和NASDAQ指数之间的时变相关结构。
2018-03-19 stat.ME
A Memory-Network Based Solution for Multivariate Time-Series Forecasting
National Taiwan University（国立台湾大学）；Riken-AIP（理化学研究所人工智能研究中心）
多变量时间序列预测在金融、交通、环境等领域得到了广泛的研究，但传统的预测方法无法对真实数据中的复杂模式或依赖关系进行建模，这引起了人们的关注。为了解决这些问题，提出了各种深度学习模型，主要是基于递归神经网络（RNN）的方法。然而，在有效纳入其他变量信息的同时，捕捉极长期的模式仍然是时间序列预测的一个挑战。此外，缺乏可解释性仍然是深度神经网络模型的一个严重缺点。受记忆网络解决问答任务的启发，我们提出了一个基于深度学习的模型，名为记忆时间序列网络（MTNet），用于时间序列预测。MTNet由一个大内存组件、三个独立的编码器和一个自回归组件组成，用于联合进行训练。此外，设计的注意力机制使MTNet具有高度的可解释性。我们可以很容易地判断出历史数据的哪一部分被引用得最多。
2018-09-06 cs.LG stat.ML
AdaPTS: Adapting Univariate Foundation Models to Probabilistic Multivariate Time Series Forecasting
EURECOM（欧洲通信学院）；KAUST（阿卜杜拉国王科技大学）
本文提出 AdaPTS 框架，通过可适配的特征空间变换将单变量时间序列基础模型用于概率多变量预测，并结合多种适配器与贝叶斯式优化推理策略，显著提升精度和不确定性量化。
2025-02-14 cs.LG stat.ML
Forecasting Multivariate Time Series under Predictive Heterogeneity: A Validation-Driven Clustering Framework
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
本文提出一种以验证为导向的聚类框架，用于高维多变量时间序列预测中的自适应池化，通过验证性能确定何时何地进行专业化，以提高鲁棒性并避免性能下降。
2026-04-15 stat.ME stat.ML
Forecasting Realized Volatility Matrix With Copula-Based Models
多元波动率建模与预测是金融经济学研究的重要内容。本文提出了一种基于Copula的方法来建模和预测已实现波动率矩阵。基于Copula函数的时间序列模型能够捕捉到已实现波动率矩阵的隐含相关结构。该方法通过Cholesky分解或矩阵对数变换，自动保证预测的正定性。在本文中，我们考虑多元和二元Copula，Copula的类型包括学生的t，克莱顿和Gumbel Copula。在一个实证应用中，我们发现，对于一天前的波动矩阵预测，这些基于copula模型可以实现显着的性能，无论是在统计精度，以及创造经济的均值-方差有效的投资组合。在我们考虑的Copula中，多元t Copula在统计精度上表现得更好，而二元t Copula具有更好的经济性能。
2020-02-20 q-fin.ST stat.AP
Joint Modeling of Local and Global Temporal Dynamics for Multivariate Time Series Forecasting with Missing Values
Pennsylvania State University（宾夕法尼亚州立大学）；IBM T.J. Watson（IBM托马斯·J·沃森研究中心）
多变量时间序列预测在气象、交通等领域有着广泛的应用。由于数据汇集、传输和存储的限制，真实世界的MTS数据通常包含缺失值，使得现有的MTS预测模型（如线性回归和递归神经网络）不可行。虽然已经有很多的努力致力于这个问题，其中大多数仅仅依赖于局部依赖性的估算缺失值，忽略了全球的时间动态。当缺失率很高或数据具有连续缺失值时，局部依赖性/模式将变得不那么有用;而探索全局模式可以缓解此类问题。因此，联合建模本地和全球的时间动态是非常有前途的MTS预测与缺失值。然而，这方面的工作相当有限。因此，我们研究了一个新的问题MTS预测缺失值，共同探索本地和全球的时间动态。我们提出了一个新的框架LGnet，它利用记忆网络来探索全局模式，从局部角度给出估计。我们进一步引入对抗训练来增强全局时间分布的建模。在真实数据集上的实验结果表明，LGnet对缺失数据的MTS预测是有效的，并且在不同的缺失率下具有鲁棒性。
2019-11-22 cs.LG stat.ML
Evaluation of Local Explanation Methods for Multivariate Time Series Forecasting
Ryerson University（瑞尔森大学）
能够解释机器学习模型是机器学习的许多应用中的关键任务。具体来说，局部可解释性在确定模型为什么做出特定预测方面很重要。尽管最近关注人工智能的可解释性，但对于时间序列预测的局部可解释性方法缺乏研究，而存在的少数可解释性方法主要集中在时间序列分类任务上。在这项研究中，我们提出了两个新的评价指标的时间序列预测：面积超过扰动曲线回归和消融百分比阈值。这两个指标可以衡量局部解释模型的局部保真度。我们扩展的理论基础，收集两个流行的数据集，\textit{Rossmann sales}和\textit{electricity}的实验结果。这两个指标使众多的本地解释模型的全面比较，并找到哪些指标更敏感。最后，我们为这一分析提供了合理的理由。
2020-09-18 cs.LG stat.ML
Temporal Pattern Attention for Multivariate Time Series Forecasting
National Taiwan University（台湾大学）
预测多变量时间序列数据，例如预测电力消耗，太阳能发电和复调钢琴曲，具有许多有价值的应用。然而，时间步长和序列之间复杂的非线性相互依赖性使任务复杂化。为了获得准确的预测，对时间序列数据的长期相关性进行建模是至关重要的，具有注意力机制的递归神经网络（RNN）可以在一定程度上实现这一点。典型的注意力机制在每个前一个时间步检查信息并选择相关信息以帮助生成输出，但它无法捕获跨多个时间步的时间模式。在本文中，我们提出使用一组滤波器来提取时不变的时间模式，这类似于将时间序列数据转换到其“频域”。提出了一种新的注意力机制来选择相关时间序列，并利用其“频域”信息进行预测。我们将所提出的模型应用于几个现实世界的任务，并在所有这些任务中实现了最先进的性能，只有一个例外。
2019-09-18 cs.CL cs.LG stat.ML
Winner-takes-all for Multivariate Probabilistic Time Series Forecasting
本文提出TimeMCL方法，利用多选学习（MCL）范式与赢者通吃（WTA）损失，通过多头神经网络促进预测多样性，以高效预测时间序列的多种可能未来，并在合成与真实数据上验证了其低计算成本下的出色性能。
2025-08-11 cs.AI cs.LG stat.ML
Probabilistic Multivariate Time Series Forecasting with Diffusion Copulas
Department of Statistics The University of Warwick（威斯敏斯特大学统计系）；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）
本文提出了一种扩散-Copula框架，通过分离边际分布学习与依赖结构学习，改进了多变量时间序列预测中对尾部风险的估计，展示了在加密货币市场中对系统性极值的预测优势。
2026-05-19 cs.LG stat.ML
DUET: Dual Clustering Enhanced Multivariate Time Series Forecasting
East China Normal University（华东师范大学）；Aalborg University（奥尔堡大学）
针对多变量时间序列预测中时间模式异质、通道关联复杂的难题，提出融合时间与通道双聚类的DUET框架，在25个跨领域真实数据集上实现了最优预测性能。
2025-01-10 cs.LG stat.ML
R2N2: Residual Recurrent Neural Networks for Multivariate Time Series Forecasting
University of Minnesota, Twin Cities（明尼苏达大学双城分校）；IBM Research, T. J. Watson Research Center（IBM研究院托马斯·J·沃森研究中心）
多变量时间序列建模与预测是一个具有广泛应用前景的重要问题。传统的方法，如VAR（向量自回归）模型和最近的方法，如RNN（循环神经网络）是建模时间序列数据不可或缺的工具。在许多多变量时间序列建模问题中，通常存在显著的线性依赖分量，VAR适用于该分量，以及非线性分量，RNN适用于该分量。仅使用VAR或仅使用RNN对此类时间序列进行建模可能会导致预测性能差或模型复杂，训练时间长。在这项工作中，我们提出了一种称为R2N2（残差RNN）的混合模型，它首先用简单的线性模型（如VAR）对时间序列进行建模，然后使用RNN对其残差进行建模。R2N2可以使用VAR和RNN的现有算法进行训练。通过对两个真实世界数据集（航空和气候领域）的广泛实证评估，我们表明R2N2具有竞争力，通常优于单独使用的VAR或RNN。我们还表明，与RNN相比，R2N2的训练速度更快，同时需要更少的隐藏单元。
2017-09-10 cs.LG stat.ML
Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks
University of Technology Sydney（悉尼科技大学）；Monash University（莫纳什大学）
多变量时间序列建模一直是一个吸引了包括经济、金融和交通在内的各个领域的研究人员的课题。多变量时间序列预测背后的一个基本假设是，它的变量相互依赖，但仔细观察，可以说，现有的方法未能充分利用变量对之间潜在的空间依赖性。与此同时，近年来，图神经网络（GNN）在处理关系依赖关系方面表现出了很高的能力。GNN需要定义良好的图结构来进行信息传播，这意味着它们不能直接应用于依赖关系事先未知的多变量时间序列。在本文中，我们提出了一个通用的图神经网络框架，专为多变量时间序列数据。我们的方法自动提取变量之间的单向关系，通过图学习模块，外部知识，如变量属性可以很容易地集成到其中。提出了一种新的混合跳传播层和扩张的起始层，以捕获时间序列内的空间和时间依赖性。图学习、图卷积和时间卷积模块在端到端框架中联合学习。实验结果表明，我们提出的模型优于国家的最先进的基线方法在3的4个基准数据集，并实现了与其他方法在两个流量数据集，提供额外的结构信息的性能。
2020-05-24 cs.LG stat.ML
Dynamic Gaussian Mixture based Deep Generative Model For Robust Forecasting on Sparse Multivariate Time Series
NEC Laboratories America（美国 NEC 实验室）
稀疏多变量时间序列（MTS）预测的目的是建立模型的预测未来值的时间序列，其不完整的过去，这是非常重要的许多新兴的应用。然而，大多数现有的方法单独处理MTS，并且不利用MTS的动态分布，导致当稀疏度高时的次优结果。为了解决这一挑战，我们提出了一种新的生成模型，它跟踪潜在集群的过渡，而不是孤立的特征表示，以实现鲁棒的建模。它的特点是由一个新设计的动态高斯混合分布，它捕获的动态聚类结构，并用于发射时间序列。生成模型由神经网络参数化。一个结构化的推理网络也被设计为使归纳分析。进一步引入门控机制来动态调整高斯混合分布。大量的实验结果在各种现实生活中的数据集证明了我们的方法的有效性。
2021-03-03 cs.AI cs.LG stat.ML
Enhancing Multivariate Time Series Forecasting with Mutual Information-driven Cross-Variable and Temporal Modeling
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Huawei Technologies Ltd.（华为技术有限公司）
针对通道混合引入不相关信息损害多元时间序列预测的问题，提出CDAM与TAM分别建模跨变量去相关和时间互信息，显著超越现有模型。
2024-03-01 cs.LG stat.ML
SPACE: Sample-cloud Predictive Adaptive Conformal Ellipsoids for Multivariate Time-Series Forecasting
Asian Institute of Digital Finance, National University of Singapore（新加坡国立大学亚洲数字金融研究院）；National University of Singapore（新加坡国立大学）
针对现有多变量共形预测方法易受陈旧状态污染的问题，提出共形包装器SPACE，通过当前预测样本云估计协方差几何并动态选回溯窗口校准区域，提升了预测覆盖的准确性与效率。
2026-08-19 cs.AI cs.LG stat.ML
High-Dimensional Multivariate Forecasting with Low-Rank Gaussian Copula Processes
NAVER LABS Europe（NAVER欧洲实验室）；Amazon Research（亚马逊研究院）；Ghent University（根特大学）
预测来自多个时间序列的观测之间的依赖关系对于异常检测、金融风险管理、因果分析或需求预测等应用至关重要。然而，估计时变和高维协方差矩阵的计算和数值困难往往限制了现有的方法处理最多几百个维度或需要作出强有力的假设系列之间的依赖。我们建议将基于RNN的时间序列模型与具有低秩协方差结构的高斯Copula过程输出模型相结合，以降低计算复杂性并处理非高斯边缘分布。这允许大幅减少参数的数量，从而允许数千个时间序列的时变相关性的建模。我们在几个真实世界的数据集上显示，我们的方法在最先进的基线上提供了显着的准确性提高，并进行了消融研究，分析了我们模型的不同组成部分的贡献。
2019-10-24 cs.LG stat.ML
Adaptive Variable Selection for Sequential Prediction in Multivariate Dynamic Models
讨论了多元时间序列序贯动态建模中贝叶斯模型的不确定性分析与预测。这个观点是一个决策者的观点，有一个特定的预测目标，指导对相关模型的思考。基于正式的贝叶斯决策理论推理，我们开发了一种时间自适应的方法来探索，加权，组合和选择不同的预测变量的模型。自适应性允许随着时间的推移而改变偏好模型的集合，并且由特定的预测目标指导。一个合成的例子说明了如何决策指导变量选择不同于传统的贝叶斯模型的不确定性分析和标准模型平均。一项关于长期宏观经济预测的激励性应用的应用研究突出了新方法在改进预测方面的效用，以及随着时间的推移确定和解释不同的相关模型的能力，这些模型涉及具体的、确定的预测目标。
2020-12-17 stat.AP stat.CO stat.ME
Multivariate Bayesian Predictive Synthesis in Macroeconomic Forecasting
我们发展的方法和详细的案例研究中使用的一类贝叶斯预测合成（BPS）模型的多变量时间序列预测。这将最近引入的BPS基础框架扩展到多变量环境，并在货币政策环境中的多步骤宏观经济预测的主题和挑战性背景下详细应用。BPS评估-顺序和自适应地随着时间的推移-不同的预测偏差和方面的个别预测密度的误校准，和-关键-随时间变化的相互依赖关系，他们之间在多个系列。我们开发了新的BPS方法的一个特定的子类的动态多变量潜在因素模型隐含的BPS理论。结构化动态潜在因子BPS在此的动机是应用背景--对多个美国宏观经济时间序列进行连续预测，预测结果来自几个传统的计量经济学时间序列模型。案例研究突出了BPS在多个预测范围内改善多个系列预测的潜力，以及它在学习预测模型或代理之间的动态关系中的用途。
2018-08-13 stat.ME
Multivariate discrete copulas, with applications in probabilistic weather forecasting
在概率论和统计学中，Copula在理论上以及解决各种应用领域中的广泛问题方面发挥着重要作用。我们介绍了多元离散Copula的概念，讨论了它们与随机阵列的等价性，并证明了多元离散版本的Sklar定理。这些结果为集合系统天气预报后处理的多元统计方法提供了理论框架，包括集合Copula耦合方法和Schaake shuffle方法。
2015-12-17 stat.ME
Multivariate Dynamic Modeling for Bayesian Forecasting of Business Revenue
预测企业范围的收入对许多公司来说至关重要，并为重大业务影响带来了一些挑战和机遇。本案例研究基于模型开发，以解决大型零售公司预测的这些挑战。分层动态模型专注于超市和产品类别集合的多变量收入预测，是很自然的：这些模型能够在集成预测模型中耦合收入流，同时允许条件解耦，以实现相关和敏感的分析以及可扩展的计算。结构化模型利用多尺度建模来级联关于价格和促销活动的信息，作为跨类别和商店组的相关预测因子。该研究重点关注预测未来12周的收入，突出了受益于多尺度信息的产品类别，定义了多变量模型何时，如何以及为什么提高预测准确性的见解，并显示了跨类别依赖关系如何与影响其他类别的促销决策相关。贝叶斯建模的发展基础的情况下，研究是访问自定义代码为感兴趣的读者。
2021-12-10 stat.ME
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
Bayesian forecasting and scalable multivariate volatility analysis using simultaneous graphical dynamic models
最近推出的一类同步图形动态线性模型（SGDLM）定义了一种能力，规模在线贝叶斯分析和预测更高的维度时间序列。本文提出了SGDLM的方法，开发和嵌入一种新的，自适应的方法，同时预测器选择在线学习和预测的前向滤波。这些进展包括贝叶斯计算的可扩展性的发展，并在探索由此产生的潜力，改善短期预测的大规模波动矩阵的案例研究。一个案例研究涉及财务预测和投资组合优化与400维系列的每日股票价格。分析表明，SGDLM能够很好地预测波动率和共同波动率，使其非常适合为量化投资策略做出贡献，以提高投资组合回报。我们还确定了与序贯贝叶斯过滤分析相关的绩效指标，这些指标定义了金融市场压力增加的领先指标，与标准的圣路易斯联邦储备银行金融压力指数（STLFSI）指标相当，但领先。使用GPU实现的并行计算大大提高了拟合和使用这些模型的能力。
2016-06-27 stat.AP stat.ME
Reply to Discussions of "Multivariate Dynamic Modeling for Bayesian Forecasting of Business Revenue"
本文是对商业收入贝叶斯预测多变量动态建模一文的讨论回复，作者感谢讨论者意见，并围绕贝叶斯预测系统宏观视角及各项具体问题进行了逐一回应。
2023-04-02 stat.ME
