Nonlinear Probabilistic Forecast Reconciliation
SUPSI, Institute for Applied Sustainability in the Built Environment（应用建筑环境可持续发展研究所）；IDSIA (USI-SUPSI), Dalle Molle Institute for Artifical Intelligence（达勒莫勒人工智能研究所）
本文首次提出处理非线性约束的概率预测协调方法，通过投影和条件化两种方法提升预测准确性，UKF方法在速度和性能上表现最佳。
2026-09-18 stat.ME
A Hybrid Residual Dilated LSTM end Exponential Smoothing Model for Mid-Term Electric Load Forecasting
Czestochowa University of Technology（琴斯托霍瓦理工大学）；Uber Technologies（优步科技公司）
本文提出了一种用于中期负荷预测的混合分层深度学习模型。该模型结合了指数平滑（ETS），高级长短期记忆（LSTM）和集成。ETS动态提取每个时间序列的主要成分，并使模型能够学习它们的表示。多层LSTM配备了扩张的循环跳跃连接和来自较低层的空间快捷路径，使模型能够更好地捕捉长期的季节关系，并确保更有效的训练。LSTM和ETS的共同学习过程，带有惩罚性的弹球损失，导致数据表示和预测性能的同时优化。此外，在三个层次上的集成确保了强大的正则化。对35个欧洲国家的月度电力需求时间序列进行的模拟研究证实了所提出的模型的高性能及其与ARIMA和ETS等经典模型以及基于机器学习的最先进模型的竞争力。
2020-03-29 cs.LG eess.SP stat.ML
A Worrying Analysis of Probabilistic Time-series Models for Sales Forecasting
NAVER CLOVA；NAVER AI LAB（NAVER人工智能实验室）
概率时间序列模型在预测领域变得流行，因为它们有助于在不确定性下做出最优决策。尽管兴趣越来越大，但缺乏彻底的分析阻碍了选择值得申请的任务。在本文中，我们分析了三个突出的概率时间序列模型的销售预测的性能。为了消除随机机会对体系结构性能的影响，我们提出了两个实验原则：1）具有各种交叉验证集的大规模数据集。2)标准化训练和超参数选择。实验结果表明，一个简单的多层感知器和线性回归优于RMSE的概率模型，没有任何特征工程。总的来说，概率模型在点估计方面，如RMSE和MAPE，未能达到比简单基线更好的性能。我们分析和讨论概率时间序列模型的性能。
2020-11-21 cs.AI cs.LG stat.CO
Time Series Using Exponential Smoothing Cells
时间序列分析用于理解和预测动态过程，包括商业、天气、市场和生物节律中不断变化的需求。指数平滑用于所有这些领域，以获得简单的可解释的时间序列模型，并预测未来的价值。尽管指数平滑法很受欢迎，但它在存在异常值、大量噪声或潜在时间序列发生变化时会严重失败。我们提出了一个灵活的时间序列分析模型，使用指数平滑重叠的时间窗口的细胞。该方法可以检测和删除异常值，对数据进行降噪，填充缺失的观测值，并在具有挑战性的情况下提供有意义的预测。与经典的指数平滑，解决了一个非凸优化问题的平滑参数和初始状态，所提出的方法需要解决一个单一的结构凸优化问题。最近的发展，在有效的凸优化的大规模动态模型，使该方法易于处理。我们说明了新的功能，使用合成的例子，然后使用该方法来分析和预测嘈杂的现实世界的时间序列。该方法和实验的代码是公开的。
2017-09-29 stat.ML
Deep Distributional Time Series Models and the Probabilistic Forecasting of Intraday Electricity Prices
本文基于回声状态网络提出两种深度时间序列概率模型，并利用贝叶斯MCMC方法估计，在澳大利亚国家电力市场数据上实现了高精度的日内电价短期概率预测，其中隐式Copula模型表现最优。
2021-05-27 econ.EM stat.AP stat.CO
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
End-to-end probabilistic hierarchical forecasting of large hierarchies via probabilistic top-down
SUPSI, Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)（瑞士应用科学与艺术大学，达勒·莫莱人工智能研究学院）
提出e2eTD方法，仅预测少量聚合序列，通过概率自上而下采样传播到底层，实现大规模层次时间序列的快速、可扩展概率一致预测，在M5和Favorita数据集上取得最优加权缩放分位数损失。
2026-07-31 stat.AP stat.ME
Probabilistic forecasting of heterogeneous consumer transaction-sales time series
我们提出了新的贝叶斯方法的消费者销售预测。重点是多步提前预测的日常销售的许多超市项目，我们适应动态计数混合模型来预测个人客户的交易，并引入新的动态二进制级联模型来预测每笔交易的项目计数。这些交易-销售模型可以结合随时间变化的趋势、季节、价格、促销、随机效应和针对单个项目的其他特定于出口的预测因素。序贯贝叶斯分析涉及对解耦项集的快速、并行过滤，并且可跨可能表现出广泛变化的特征的项进行适应性调整。多尺度方法允许随着时间的推移在具有相关模式的项目之间共享信息，以提高预测，同时保持对许多项目的可伸缩性。一个激励性的案例研究，在多项目，多周期，多步提前超市销售预测提供的例子，证明提高预测精度在多个指标，并说明了预测精度评估和比较的全概率模型的好处。保留字：贝叶斯预测去耦/重新耦合;动态二元级联预报校正;间歇性需求;多尺度预测;预测罕见事件;每笔交易的销售额;超市销售预测
2018-08-20 stat.AP stat.ME
Hybrid Probabilistic Forecasting of Under-Five Malaria Admissions in Ghana: A Gaussian Process Regression with Holt-Winters Smoothing
GAEC, Ghana（加纳农业和粮食部）
针对加纳疟疾预测中季节性和数据不确定性挑战，提出结合高斯过程回归与Holt-Winters指数平滑的混合模型，实现概率性预测并评估其性能。
2026-05-30 cs.AI cs.LG math.PR
Learning to forecast: The probabilistic time series forecasting challenge
本文介绍了一项课程项目，学生每周提交气象和金融变量的概率预测，以实践数据科学和应用统计技能，并探讨了课程设计、预测评估及经验教训。
2023-04-03 stat.OT
Probabilistic Forecasting for Daily Electricity Loads and Quantiles for Curve-to-Curve Regression
电力负荷曲线的概率预测对于在日益波动和竞争激烈的能源市场中进行有效的调度和决策至关重要。我们提出了一种新的方法来构建概率预测曲线（PPC），这导致了一个自然的和新的分位数的定义曲线到曲线线性回归的上下文中。PPC有三种类型：预测集、预测带和预测分位数，所有这些都是在预先指定的名义概率水平上定义的。在仿真研究中，PPC在多种数据生成机制下都能获得较好的覆盖概率。在法国日负荷曲线的一天前预测中，PPC在预测精度、覆盖率和预测带平均长度方面优于几种最先进的预测方法。预测分位数曲线提供了有见地的信息，这是高度相关的电力供应管理中的对冲风险。
2020-11-11 stat.AP stat.ME
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
Adaptive Probabilistic Forecasting of Electricity (Net-)Load
本文提出基于 Kalman filter、残差分位数回归与在线专家聚合的自适应概率电力负荷预测方法，并在英国净负荷和美国七城需求数据上验证其显著提升点预测与概率预测性能。
2023-04-24 stat.AP stat.ME stat.ML
A review of machine learning concepts and methods for addressing challenges in probabilistic hydrological post-processing and forecasting
National Technical University of Athens（雅典国立技术大学）；Hellenic Air Force（希腊空军）
概率预报在包括水文学在内的各种应用领域中日益受到重视。几个机器学习概念和方法对于解决形式化和优化概率预测实现的主要挑战以及识别这些实现中最有用的实现的同样重要的挑战是显著相关的。尽管如此，注重实际的审查，这些概念和方法，以及如何可以有效地利用这些在上述基本的努力，目前失踪的概率水文预报文献。尽管在同一文献中，从机器学习中受益的研究工作明显加强，但这种缺乏仍然存在。尽管最近出现了实质性的相关进展，特别是在概率水文后处理领域，传统上为水文学家提供概率水文预报实施，但它也成立。我们的目标是填补这一空白。在我们的审查中，我们强调可以导致有效普及的关键思想和信息，因为这种强调可以支持未来的成功实施和进一步的科学发展。在同一个前瞻性的方向，我们确定开放的研究问题，并提出想法，在未来进行探索。
2022-10-30 cs.LG stat.AP stat.ME
On a conjectured sharpness principle for probabilistic forecasting with calibration
本文证明了Gneiting，Balabdaoui和Raftery在2007年提出的关于受校准约束的概率预测的锐度原理的弱类型。这一原则的一个强有力的版本仍有待适当的拟订。
2009-02-02 math.PR math.ST stat.TH
From point forecasts to multivariate probabilistic forecasts: The Schaake shuffle for day-ahead electricity price forecasting
价格风险建模是能源市场经济决策的关键。除了单一价格的风险之外，多个价格的相关结构也常常是相关的。因此，我们提出了一个通用的和易于实现的方法，用于创建多变量概率预测的基础上，一天前的电价单变量点预测。虽然每个单变量点预测指的是一天中的一个24小时，但多变量预测分布对跨小时的相关性进行建模。所提出的方法是基于简单的Copula技术和一个可选的时间序列组件。我们举例说明了Lago等人（2020）最近提供的五个基准数据集的方法。此外，我们展示了一个例子，为连续电价的加权和构建现实的预测区间，例如，需要为单个负载配置文件定价。
2022-04-21 econ.EM stat.AP
Combining Weather Forecast Aggregation and State-Space Models for Adaptive Probabilistic Electricity Load Forecasting
Viking Conseil；MétéoFrance（法国气象局）
本文提出一种结合多气象预报聚合与状态空间模型的自适应概率负荷预测框架，通过GAM和GAMLSS提升不确定性量化，在法国数据上显著优于单一来源方法。
2026-09-16 stat.AP
Use and Communication of Probabilistic Forecasts
概率预报变得越来越容易获得。应如何使用和传播这些信息？在实际使用中有哪些障碍？我回顾了五个问题的经验，概率预测发挥了重要作用。这让我确定了五种类型的潜在用户：低风险用户，他们不需要概率预测;一般评估者，他们需要对预测中的不确定性有一个整体的想法;变化评估者，他们需要知道变化是否与预期不符;风险规避者，他们希望限制不利结果的风险;和决策理论家，他们量化损失函数并执行决策理论计算。这表明与用户互动并考虑他们的目标是很重要的。认知研究告诉我们，校准对于概率预测的信任是重要的，并且重要的是将言语表达与任务相匹配。认知负荷应最小化，如果合适的话，将概率预测降低到一个百分点。不良事件的概率和感兴趣的量的预测分布的概率似乎通常是总结概率预测的最佳方式。形式化决策理论具有重要的作用，但应用范围有限。
2014-08-20 stat.AP
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
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
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
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 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
A Distribution-to-Distribution Neural Probabilistic Forecasting Framework for Dynamical Systems
Durham University（杜伦大学）；East China University of Science and Technology（华东理工大学）；The London School of Economics and Political Science（伦敦政治经济学院）
本文提出一种直接操作预测分布的神经概率预测框架，通过分布编码解码结构实现预测不确定性递归传播，展示了在洛伦兹63混沌系统中的有效性。
2026-10-16 cs.LG stat.ML
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
Dirichlet Proportions Model for Hierarchically Coherent Probabilistic Forecasting
Google（谷歌）；Carnegie Mellon University（卡内基梅隆大学）
概率层次相干预测是许多实际预测应用中的一个关键问题--其目标是为大量的时间序列获得相干的概率预测，这些时间序列排列在预先指定的树层次中。在本文中，我们提出了一个端到端的深度概率模型的层次预测，是由一个经典的自上而下的战略。它共同学习根时间序列的分布，以及每个父时间序列在任何时间点在其子时间序列中分裂的（Dirichlet）比例。由此产生的预测是自然连贯的，并提供概率预测的所有时间序列的层次结构。我们在几个公共数据集上进行了实验，并证明与最先进的基线相比，大多数数据集的显著改进高达26%。最后，我们还提供了理论上的理由，我们的自上而下的方法相比，更传统的自下而上的建模的优越性。
2023-03-01 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
Mixture distributions for probabilistic forecasts of disease outbreaks
本文提出在疾病暴发协作预测中采用离散混合分布格式，因其形状灵活、便于评分与集成建模且存储需求低，优于参数、样本、箱线和分位数等常见格式。
2023-10-18 stat.AP
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
Coherent Probabilistic Aggregate Queries on Long-horizon Forecasts
IIT Bombay（印度理工学院孟买分校）
长期预测是许多决策支持系统的起点，这些决策支持系统需要从预测值的高级聚合模式中进行推断。最先进的时间序列预测方法要么受到长期预测概念漂移的影响，要么无法准确地预测连贯和准确的高水平总量。在这项工作中，我们提出了一种新的概率预测方法，产生的预测是一致的基础水平和预测的总统计。我们实现了预测的基准水平和聚合统计之间的一致性，使用一种新的推理方法的基础上KL-发散，可以有效地解决在封闭的形式。我们表明，我们的方法提高了预测性能，在基础水平和看不见的聚集后推理的真实数据集范围三个不同的领域。（\href{https://github.com/pratham16cse/AggForecaster}{Project URL}）
2022-05-25 cs.LG stat.ML
Probabilistic Forecasting of Temporal Trajectories of Regional Power Production - Part 2: Photovoltaic Solar
我们提出了一个完全概率预测模型的空间聚集的太阳能光伏（PV）发电生产在每小时的时间尺度与前置时间长达几天，使用天气预报数值天气预报系统作为协变量。经过适当的对数变换的功率生产，我们开发了一个多变量高斯预测模型下的贝叶斯推断框架。该模型结合了时间误差相关性，产生物理上一致的预测轨迹。提出了几种配方的相关结构和调查。我们的方法是为数不多的方法之一，发布完整的预测分布光伏发电。在德国光伏发电的案例研究中，该方法给出了校准和熟练的预测。
2019-03-04 stat.AP
Probabilistic Forecasting of Patient Waiting Times in an Emergency Department
我们研究估计的概率分布的个别病人在急诊科（ED）的等待时间。我们功能丰富的建模允许动态更新和细化等待时间估计，作为患者和ED特定信息（例如，病人状况、急诊室充血程度）。还讨论了与患者沟通预测不确定性，并在实践中实施这种方法有关的方面。
2020-05-30 stat.AP
Probabilistic Forecasting of the Arctic Sea Ice Edge with Contour Modeling
在北极，海冰或冰冻的海水每年都会冻结和融化。由于气候变化导致海冰数量减少，提前几周到几个月预测海冰的位置变得更加重要，用于海事规划和其他用途。典型的海冰预报是用集合模式、基于物理的海冰和周围海洋和大气模式进行的。本文介绍了混合等高线预测，一种方法来预测海冰的概率使用两个分布的混合，一个是基于后处理的输出从集合，另一个是近年来观测到的海冰模式。在较短的准备时间内，这些预报比未经调整的动态集合预报和其他统计参考预报更好地校准。为了产生这些预测，引入了一种统计技术，直接模拟海冰边缘轮廓，即被冰覆盖的区域周围的边界。使用欧洲中期天气预报中心的一个集合，在0.5-6.5个月的提前期内，对2008-2016年每月海冰预报的混合等高线预报和参考方法进行了评估。
2020-06-08 stat.AP
Expectile regression averaging method for probabilistic forecasting of electricity prices
本文提出一种结合点预测平均与 expectile 回归的电价概率预测新方法，应用于德国日前市场并验证其优于 quantile 方法，同时指出建模前需进行方差稳定变换。
2024-02-12 stat.AP
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
Probabilistic Forecasting for Day-ahead Electricity Prices, Battery Trading Strategies and the Economic Evaluation of Predictive Accuracy
University of Duisburg-Essen（杜伊斯堡-埃森大学）；Statkraft Trading GmbH（Statkraft交易有限公司）
本文探讨了概率预测在电力价格、电池交易和预测准确性评估中的应用，指出传统量化交易策略的不足，并通过德国电力市场案例研究，揭示了预测模型评估的挑战与改进方向。
2026-04-21 econ.EM q-fin.PM q-fin.ST
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
Efficient probabilistic reconciliation of forecasts for real-valued and count time series
IDSIA, Dalle Molle Institute for Artificial Intelligence（IDSIA，达莱·莫莱人工智能研究所）；Department of Mathematics, University of Pavia（帕维亚大学数学系）
本文提出基于条件化的概率协调新方法，并引入自下而上重要性采样算法，适用于任意分布，显著加速并提升分层时间序列预测的一致性。
2023-10-12 cs.LG stat.ML
MVG-CRPS: A Robust Loss Function for Multivariate Probabilistic Forecasting
McGill University（麦吉尔大学）
针对多元高斯分布预测中对数分数对异常值敏感的问题，提出一种具有闭式表达式的鲁棒损失函数MVG-CRPS，有效提升了预测的鲁棒性、准确性和不确定性量化能力。
2025-01-31 cs.LG stat.ML
ProGen: Revisiting Probabilistic Spatial-Temporal Time Series Forecasting from a Continuous Generative Perspective Using Stochastic Differential Equations
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
ProGen提出利用随机微分方程和扩散生成模型进行概率时空预测，通过整合去噪分数模型与图神经网络，在四个交通数据集上超越现有确定性与概率模型。
2024-11-02 cs.LG stat.ML
Smooth Pinball Neural Network for Probabilistic Forecasting of Wind Power
Lehigh University（利哈伊大学）
本文提出结合光滑弹球损失与神经网络、权重初始化方案的风电概率预测方法，经2014年全球能源预测竞赛数据验证，其性能优于基准模型，可避免分位数估计重叠问题。
2026-08-10 econ.EM stat.ML
Probabilistic Forecasting and Simulation of Electricity Markets via Online Dictionary Learning
研究了随机发电和随机需求的实时电力市场的概率预测和在线仿真问题。利用直流最优潮流的参数结构，提出了一种基于在线字典学习（ODL）的新方法。ODL方法结合了实时测量和历史轨迹，以预测未来位置边际价格、潮流和调度水平的联合和边际概率分布，并以预测时的系统状态为条件。与标准的蒙特卡罗模拟技术相比，ODL方法在计算时间上提供了几个数量级的改进，使其成为可行的在线预测的市场运作。对大中型电力系统的数值仿真表明了该算法的性能和复杂性，以及它作为系统运行人员工具的潜力。
2016-06-25 stat.AP 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
Probabilistic forecasting of German electricity imbalance prices
可再生能源能力的指数增长给电价和发电带来了很大的不确定性。为了应对这一挑战，能源交易所一直在开发更多的交易可能性，特别是日内和平衡市场。对于同时参与两个市场的能源交易商来说，对不平衡价格的预测特别重要。因此，在这篇手稿中，我们进行了一个非常短期的不平衡价格的概率预测，有助于在这个新的主题稀缺的文献。预测是在交割前30分钟进行的，这样交易者仍然可以选择交易地点。不平衡价格的分布建模和预测使用众所周知的方法在电力价格预测文献：套索与引导，gamlss和概率神经网络。在一个有意义的滚动窗口研究的方法进行了比较，一个天真的基准。结果提供了证据的效率之间的日内和平衡市场的复杂的方法并没有实质上超过日内连续价格指数。另一方面，它们显著提高了经验覆盖率。该分析是在德国市场上进行的，但它可以很容易地应用于任何其他类似结构的市场。
2022-05-23 econ.EM q-fin.ST stat.ML
Regions of Reliability in the Evaluation of Multivariate Probabilistic Forecasts
ServiceNow Research（ServiceNow研究院）
本文通过有限样本功效分析界定适当评分规则的“可靠区域”，并利用合成基准与电力生产任务揭示多元概率预测常用评估方法的关键缺陷。
2023-06-06 cs.LG stat.ML
A note on forecasting demand using the multivariate exponential smoothing framework
简单指数平滑在经济时间序列预测中有着广泛的应用。这是因为它计算速度快，而且通常可以提供准确的预测。另一方面，它的多变量版本很少受到关注，由于估计所产生的并发症。事实上，标准的多元极大似然方法受到数值收敛问题和不良复杂性的影响，随着模型的维数而增长。在本文中，我们介绍了一种新的估计策略，多元指数平滑的基础上聚集其观测到标量模型和估计。将原来的高维极大似然问题分解为几个单变量问题，使其更易于求解。与多变量极大似然方法相反，该算法不受模型维数的影响。该方法可用于时间序列预测。此外，模拟结果表明，我们的方法执行至少以及极大似然估计的基本VMA（1）表示，至少在我们的测试问题。
2014-11-15 stat.CO
Weighted scoringRules: Emphasising Particular Outcomes when Evaluating Probabilistic Forecasts
本文扩展了R的scoringRules包以支持加权评分规则，允许在评估概率预报时强调特定结果，并提供了对数评分、CRPS和能量评分的加权版本及两个案例研究。
2023-05-12 stat.CO
Evaluating probabilistic forecasts with scoringRules
对未来事件的概率分布形式的概率预报在包括气象学、水文学、经济学和人口学在内的几个领域已经变得流行。在典型的应用中，可以使用许多替代的统计模型和数据源来产生概率预测。因此，评价和选择竞争的方法是一项重要的任务。R的scoringRules包提供了基于适当的评分规则对概率模型进行比较评估的功能，涵盖了应用工作中的各种情况。本文讨论了实现和使用的细节，从气象学和经济学的案例研究，并指出相关的背景文献。
2018-07-30 stat.AP stat.CO
Quantile Regression for Qualifying Match of GEFCom2017 Probabilistic Load Forecasting
我们提出了一种简单的基于分位数回归的预测方法，并将其应用于2017年全球能源预测竞赛（GEFCom 2017）的概率负荷预测框架中。每小时负荷数据经过对数转换并分为长期趋势分量和剩余项。关键的预测要素是剩余期的分位数回归方法，该方法考虑到每周和每年的季节性，例如它们的相互作用。温度信息仅用于稳定长期趋势分量的预测。公众假期信息被忽略。尽管如此，预测方法在开放数据跟踪中排名第二，在确定数据跟踪中排名第四，这是显着的模型简单。该方法也始终优于Vanilla基准。
2018-09-10 stat.AP stat.CO stat.ME
nabqr: Python package for improving probabilistic forecasts
DTU Compute（DTU计算学院）；QUENT ApS（QUENT公司）
本文介绍了开源 Python 包 NABQR，通过 LSTM 网络校正集合并应用时间自适应分位数回归，在丹麦风电日前预测中将平均绝对精度提高达 40%，从而提供更可靠的概率预测。
2025-01-29 cs.LG stat.AP stat.CO
