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
Hierarchical Forecasting at Scale
University of Amsterdam(阿姆斯特丹大学);bol.(博尔公司)
本文提出一种稀疏层次损失函数,使单一底层模型能为数百万时间序列生成对任意截面或时间层次一致的预测,省去后处理步骤,并在M5数据集及欧洲电商平台bol上验证了显著的性能提升。
2024-02-26 cs.LG
HierarchicalForecast: A Reference Framework for Hierarchical Forecasting in Python
Nixtla
针对时间序列分层预测的一致性需求及研究基准缺失问题,推出基于Python的HierarchicalForecast库,含预处理数据集、评估指标与统计基线模型,以衔接统计/计量建模与机器学习预测研究。
2024-10-10 cs.AI cs.LG stat.ML
Monash Time Series Forecasting Archive
Monash University(莫纳什大学);University of Sydney(悉尼大学)
当今许多企业和行业都依赖于大量的时间序列数据,这使得时间序列预测成为一个重要的研究领域。与传统的孤立序列单变量预测模型相比,跨时间序列集训练的全球预测模型在提供准确预测方面显示出巨大的潜力。然而,目前还没有全面的时间序列预测档案,其中包含来自类似来源的时间序列数据集,可供研究界评估新的全球预测算法在各种数据集上的性能。在本文中,我们提出了这样一个全面的时间序列预测档案,包含20个公开的时间序列数据集,从不同的领域,具有不同的特点,在频率,序列长度,并包括缺失值。我们还对数据集进行了特征分析,并确定了它们之间的相似性和差异性。此外,我们提出了一套标准的基线预测方法的性能在所有数据集的八个误差指标,为研究人员使用档案基准他们的预测算法的好处。
2021-05-14 cs.LG stat.ML
Recurrent Neural Networks for Time Series Forecasting
University of Debrecen(德布勒森大学)
时间序列预测是困难的。即使对于具有固有学习序列性能力的循环神经网络来说,这也是困难的。本文提出了一个基于递归神经网络的时间序列预测框架,涵盖特征工程,特征重要性,点和区间预测,预测评估。该方法的描述之后是使用LSTM和GRU网络的实证研究。
2019-01-01 cs.LG stat.ML
Deep Transformer Models for Time Series Forecasting: The Influenza Prevalence Case
Google, LLC(谷歌有限责任公司)
本文提出了一种新的时间序列预测方法。时间序列数据在许多科学和工程学科中普遍存在。时间序列预测是时间序列数据建模的一项重要任务,也是机器学习的一个重要领域。在这项工作中,我们开发了一种新的方法,采用基于transformer的机器学习模型来预测时间序列数据。这种方法的工作原理是利用自我注意力机制从时间序列数据中学习复杂的模式和动态。此外,它是一个通用的框架,可以应用于单变量和多变量时间序列数据,以及时间序列嵌入。使用流感样疾病(ILI)预测作为案例研究,我们表明,我们的方法产生的预测结果是有利的国家的最先进的。
2020-01-23 cs.LG stat.ML
Few-shot Learning for Time-series Forecasting
NTT Communication Science Laboratories(NTT通信科学实验室);NTT Software Innovation Center(NTT软件创新中心)
时间序列预测在许多应用中具有重要意义。预测模型通常使用特定目标任务中的时间序列数据进行训练。然而,目标任务中的足够数据可能不可用,这导致性能下降。在本文中,我们提出了一个Few-Shot学习方法,预测目标任务中的时间序列的未来值,给定目标任务中的几个时间序列。我们的模型是使用不同于目标任务的多个训练任务中的时间序列数据进行训练的。我们的模型使用几个时间序列建立一个预测功能的基础上,与注意机制的递归神经网络。利用注意力机制,我们可以在少量的时间序列中检索出当前情况下的有用模式。我们的模型通过最小化预测下一个时间步长值的预期测试误差来训练。我们使用90个时间序列数据集证明了所提出的方法的有效性。
2020-09-30 cs.LG stat.ML
Global Models for Time Series Forecasting: A Simulation Study
Monash University(莫纳什大学);University of Melbourne(墨尔本大学)
在当前的大数据背景下,许多预测问题的性质已经从预测孤立的时间序列转变为预测来自类似来源的多个时间序列。这为开发同时从许多时间序列中学习的有竞争力的全球预测模型提供了机会。但是,全球预测模型何时能够超越单变量基准仍然不清楚,特别是沿着序列的同质性/异质性,序列中模式的复杂性,预测模型的复杂性以及序列的长度/数量的维度。我们的研究试图通过研究这些因素的影响来解决这个问题,通过模拟一些具有可控时间序列特征的数据集。具体来说,我们模拟时间序列从简单的数据生成过程(DGP),如自回归(AR)和季节性AR,复杂的DGP,如混沌Logistic映射,自激励阈值自回归,和麦基-格拉斯方程。通过将从多个DGP生成的时间序列混合到单个数据集中来引入数据异质性。数据集中的序列长度和数量在不同的情况下会有所不同。我们使用全局预测模型对这些数据集进行实验,包括递归神经网络(RNN),前馈神经网络,池化回归(PR)模型和光梯度提升模型(LGBM),并将其性能与标准的统计单变量预测技术进行比较。我们的实验表明,当被训练为全局预测模型时,具有复杂非线性建模能力的RNN和LGBM等技术在具有挑战性的预测场景下通常是有竞争力的方法,例如长度较短的序列,具有异构序列的数据集以及对序列模式的先验知识最少。
2021-03-22 cs.LG stat.ML
Hierarchically Regularized Deep Forecasting
Carnegie Mellon University(卡内基梅隆大学);Google Research(谷歌研究院)
层次预测是许多实际多变量预测应用中的关键问题-目标是同时预测大量相关的时间序列,这些时间序列排列在预先指定的聚合层次中。主要的挑战是利用层次相关性,同时获得良好的预测精度的时间序列在不同层次。在本文中,我们提出了一种新的方法,由两个组成部分的分层预测。首先,沿着基时间序列的全局集合分解时间序列,并使用基分解的系数来建模分层约束。第二,使用系数随时间变化的线性自回归模型。与过去的方法不同,我们的方法是可扩展的(对特定时间序列的推断只需要访问它自己的历史),同时还通过时间序列预测之间的(近似)一致性约束来建模层次结构。我们在几个公共数据集上进行了实验,与现有的最先进的分层模型相比,我们在不同层次的预测上表现出显着改善的整体性能。
2021-10-12 cs.LG
Correlated daily time series and forecasting in the M4 competition
University of Tartu(塔尔图大学)
我们参加了时间序列预测的M4竞赛,并在这里描述我们预测每日时间序列的方法。我们使用了五种统计预测方法和一种称为相关器的方法。我们使用M4组织者在比赛结束后发布的地面真实值进行的回顾性分析表明,相关器是我们在天真的常数预测方法上获得大部分收益的原因。我们认为数据泄漏是其成功的原因之一,部分原因是从不同的时间间隔选择的测试数据,部分原因是原始时间序列中的质量问题。我们建议,未来的预测比赛应该提供时间序列的实际日期,以便参与者可以避免其中的一些泄漏。
2020-03-31 cs.LG stat.ML
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
Multivariate Online Linear Regression for Hierarchical Forecasting
Sorbonne University(索邦大学);Paris Cité University(巴黎城市大学);CNRS(法国国家科学研究中心);LOPF;LPSM
本文提出MultiVAW方法,将Vovk-Azoury-Warmuth算法推广至多元在线线性回归,证明其对数遗憾界,并应用于在线分层预测以放宽现有算法的分析假设。
2024-02-22 cs.LG math.OC stat.ML
Machine learning applications in time series hierarchical forecasting
Monash University(莫纳什大学);University of Sydney(悉尼大学)
供应链中的许多情况下都需要层次预测,因为管理者通常需要对供应链不同层次的预测进行决策。自上而下(TD)、自下而上(BU)和最优组合(COM)是常见的HF模型。这些方法是静态的,往往忽视了动态的系列,而分解它们。因此,他们可能无法很好地执行,如果调查组的时间序列受到大的变化,如在促销期间。我们解决HF问题的预测现实世界的销售时间序列的高度影响的促销。我们使用三种机器学习(ML)模型来捕捉销售随时间的变化。人工神经网络(ANN),极端梯度提升(XGboost),和支持向量回归(SVR)算法被用来估计低级别的时间序列从上层的比例。我们对61组具有不同波动率的时间序列进行了深入分析,结果表明ML模型具有竞争力,并且优于文献中一些成熟的模型。
2019-12-01 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
Probabilistic Forecasting of Electric Vehicle Charging in a Time-varying Hierarchical Infrastructure
Laboratoire de Mathematiques d’Orsay, Université Paris-Saclay, CNRS, INRIA(奥赛数学实验室,巴黎萨克雷大学,法国国家科学研究中心,法国国家信息与自动化研究所);Université Paris-Cité(巴黎西岱大学);Electricité de France R&D(法国电力公司研发部)
该研究针对时变分层充电基础设施下的电动汽车充电需求预测问题,结合分层预测与带缺失数据的共形预测,提出CP-MNR-Nested算法,实现各层级有效预测区间,为电力系统提供灵活性来源。
2026-10-12 cs.LG stat.AP 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
Hierarchical Time Series Forecasting Via Latent Mean Encoding
Zalando SE(Zalando公司)
提出一种基于潜在均值编码的层次时间序列预测架构,通过专门模块预测不同时间聚合级别并在隐藏层编码目标变量平均行为,在M5数据集上优于TSMixer等既有方法,实现准确且相干的跨层次预测。
2025-06-24 cs.AI cs.LG
Improving Coherence in Hierarchical Time Series Forecasting using Structured Temporal Fusion
提出层次时间融合(HTF)模型,通过结构化层次嵌入和一致性损失函数,在训练中直接嵌入一致性约束,同时建模时间动态和结构一致性,在M5和能源数据集上降低不一致性并提升预测精度。
2026-06-26 cs.LG
Hierarchical Industrial Demand Forecasting with Temporal and Uncertainty Explanations
Georgia Institute of Technology(佐治亚理工学院)
本文提出了一种用于分层工业需求预测的可解释性方法,通过分析时间序列和不确定性来提高预测的可解释性,帮助用户更好地理解预测结果并做出决策。
2026-03-06 cs.LG
ScatterFusion: A Hierarchical Scattering Transform Framework for Enhanced Time Series Forecasting
School of Computer Engineering and Science(计算机工程与科学学院)
ScatterFusion通过结合散射变换与分层注意力机制,提升时间序列预测的鲁棒性和准确性。
2026-01-28 cs.LG
Simultaneously Reconciled Quantile Forecasting of Hierarchically Related Time Series
UT Austin(德克萨斯大学奥斯汀分校);IntuitAI(Intuit人工智能部门)
许多现实生活中的应用涉及同时预测多个时间序列,这些时间序列通过聚合或分解操作在层次上相关。例如,商业组织通常希望同时预测商店、城市和州级别的库存,以用于资源规划目的。在这种应用中,重要的是,预测除了相当准确之外,还相互一致。尽管经济学家和数据科学家一直在追求预测这种分层时间序列,但目前最先进的模型使用强有力的假设,例如,所有预测均为无偏估计,噪声分布为高斯分布。此外,最先进的模型还没有利用现代非线性模型的力量,特别是基于深度学习的模型。在本文中,我们建议使用一个灵活的非线性模型,优化分位数回归损失加上适当的正则化条款,以保持跨层次的预测的一致性。本文介绍的理论框架可以应用于具有潜在可微损失函数的任何预测模型。我们所提出的方法的最优性的证明。一系列数据集的模拟研究突出了我们方法的有效性。
2021-02-25 cs.LG
HiPerformer: Hierarchically Permutation-Equivariant Transformer for Time Series Forecasting
The University of Tokyo(东京大学);RIKEN AIP(理化学研究所人工智能研究中心)
提出层级置换等变Transformer(HiPerformer),通过考虑组内与组间关系,提升多时间序列预测性能,并在真实数据上超越现有最先进方法。
2023-05-14 cs.LG
Graph-based Time Series Clustering for End-to-End Hierarchical Forecasting
The Swiss AI Lab IDSIA(瑞士人工智能实验室IDSIA);Università della Svizzera italiana(瑞士意大利语大学);Imperial College London(帝国理工学院);Politecnico di Milano(米兰理工大学)
本文提出基于图的统一关系与层次归纳偏置的深度预测方法,通过可训练图池化学习层次结构并引入可微分协调阶段,实验优于现有方法。
2024-08-21 cs.AI cs.LG
When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting
Georgia Institute of Technology(佐治亚理工学院)
针对概率层次时间序列预测中分布连贯性缺失及数据集不一致的问题,提出PROFHiT模型,通过分布连贯性正则化联合建模整个层次预测分布,显著提升了准确率、校准效果及缺失数据下的鲁棒性。
2023-10-19 cs.AI cs.LG
Hierarchical Classification Auxiliary Network for Time Series Forecasting
Tianjin University(天津大学);Agency for Science, Technology and Research(新加坡科技研究局)
针对MSE损失导致时间序列预测过度平滑的问题,提出与模型无关的分层分类辅助网络HCAN,通过分层感知注意力模块提取多粒度高熵特征,并结合不确定性感知分类器和分层一致性损失优化预测,在多个真实数据集上显著超越基线模型。
2024-12-24 cs.LG
When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting
针对概率分层时间序列预测中分布连贯性缺失及对不一致真实数据集适应性差的问题,提出全概率模型PROFHiT,通过引入Distributional Coherency正则化联合建模整个层级预测分布,显著提升了准确率、校准效果及对缺失数据的鲁棒性。
2023-10-19 cs.AI cs.LG
N-HiTS: Neural Hierarchical Interpolation for Time Series Forecasting
Carnegie Mellon University(卡内基梅隆大学);Unity Technologies;Nixtla
神经预测的最新进展加速了大规模预测系统性能的提高。然而,长期预测仍然是一项非常困难的任务。两个常见的挑战困扰的任务是预测的波动性和它们的计算复杂性。我们介绍N-HiTS,一个模型,它解决了这两个挑战,将新的分层插值和多速率数据采样技术。这些技术使所提出的方法能够顺序地组装其预测,强调具有不同频率和尺度的分量,同时分解输入信号并合成预测。我们证明了分层插值技术可以有效地近似任意长的视野中存在的光滑性。此外,我们从长期预测文献中进行了广泛的大规模数据集实验,证明了我们的方法相对于最先进方法的优势,其中N-HiTS比最新的Transformer架构提供了近20%的平均准确度提高,同时将计算时间减少了一个数量级(50倍)。我们的代码可在bit.ly/3VA5DoT上获得
2022-11-29 cs.AI cs.LG
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
Hierarchical Time Series Forecasting with Robust Reconciliation
Department of Industrial Engineering and Economics(工业工程与经济学系);Institute of Science(科学研究所);Tokyo(东京)
本文提出了一种鲁棒优化框架,用于分层时间序列预测中的不确定性调整,以提升预测性能。
2026-02-05 cs.LG
A Hierarchical Spatio-Temporal Analog Forecasting Model for Count Data
1.模拟预测已成功地为各种生态和物理过程提供了可靠的预测。模拟预测是一种无机制的非线性方法,通过检查被认为与当前状态相似的过去状态如何向前移动来预测系统。以前的模拟预测工作通常是在经验或启发式的背景下提出的,而不是正式的统计背景。2.本文提出的模型扩展了McDermott和Wikle(2016)基于模型的模拟方法,将模拟预测置于完全分层的统计框架中。特别是,贝叶斯分层时空泊松模拟预测模型制定。3.与具有潜在动态时空过程的泊松贝叶斯分层模型相比,分层模拟模型始终产生更准确的预测。通过使用贝叶斯方法,分层模拟模型能够严格量化与预测相关的不确定性。4.预测水禽定居模式在美国西北部和加拿大进行应用层次模拟模型的繁殖人口调查数据集。太平洋的海面温度(SST)被用来帮助识别水禽定居模式的潜在类似物。
2017-01-16 stat.ME
A Comprehensive Forecasting Framework based on Multi-Stage Hierarchical Forecasting Reconciliation and Adjustment
Walmart Global Tech(沃尔玛全球技术部门)
针对分层时间序列预测中传统协调方法牺牲准确性且难以捕捉季节性的问题,提出Multi-Stage HiFoReAd框架,通过多阶段协调与调整实现准确且一致的预测,并在Walmart内部及公开数据集上显著降低误差,已成功部署。
2024-12-19 cs.DC cs.LG
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
HARN: Hierarchical Associative Resonance Network for Event-Driven Multi-Timeframe Forecasting
Dr. APJ Abdul Kalam Technical University(APJ阿卜杜勒·卡拉姆技术大学)
HARN是一种层次关联共振网络,通过持久表示和事件驱动更新实现多时间框架预测,在四个资产上达到与基线相当的误差,并验证了组件有效性。
2026-11-03 cs.LG q-fin.CP q-fin.GN
PRISM: A hierarchical multiscale approach for time series forecasting
University of Pennsylvania(宾夕法尼亚大学)
PRISM通过分层多尺度方法提升多变量时间序列预测的准确性,结合树形结构和时间-频率基提取特征,实现全局与局部动态的联合建模。
2025-12-31 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
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
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
HPMixer: Hierarchical Patching for Multivariate Time Series Forecasting
ISMLL, University of Hildesheim(ISMLL,希尔德斯海姆大学)
HPMixer通过分层拼接机制结合周期性建模与多尺度残差学习,提升多变量时间序列预测性能。
2026-02-19 cs.LG
U-Cast: Learning Hierarchical Structures for High-Dimensional Time Series Forecasting
Emory University(埃默里大学)
针对高维时间序列预测中的复杂层级通道关联问题,提出U-Cast架构与Time-HD基准,通过查询注意力和全秩正则化提升预测准确率与效率。
2025-09-29 cs.LG
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
SLOTH: Structured Learning and Task-based Optimization for Time Series Forecasting on Hierarchies
Ant Group(蚂蚁集团)
针对层级时间序列预测中层级信息未用于预测阶段、调和方法依赖强假设的问题,提出SLOTH框架,通过自顶向下卷积和自底向上注意力整合层级特征,结合神经优化网络实现无假设一致预测与任务化约束,性能优于现有方法。
2023-02-27 cs.LG
Hierarchical Ensemble-Based Feature Selection for Time Series Forecasting
Bilkent University(比尔肯特大学)
针对非平稳、少样本高维特征的时间序列预测场景,提出基于分层堆叠的集成特征选择方法,利用分层结构挖掘特征依赖以优化损失,在多数据集上实现性能提升并开源代码。
2024-10-04 cs.LG
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
HDT: Hierarchical Discrete Transformer for Multivariate Time Series Forecasting
College of Computing and Data Science, Nanyang Technological University (NTU)(南洋理工大学计算与数据科学学院);Webank-NTU Joint Research Institute on Fintech, NTU(微众银行-南洋理工大学金融科技联合研究院);Tencent AI Lab(腾讯人工智能实验室)
针对高维多变量时间序列预测中生成模型扩展难、预测长度受限的问题,提出HDT分层离散Transformer框架,通过离散token表示和分层建模延长预测长度并提升性能,实验验证其有效性。
2025-02-12 cs.AI cs.LG
Hierarchical Joint Graph Learning and Multivariate Time Series Forecasting
Hanyang University(汉阳大学)
本文提出将多元时间序列建模为图节点,结合图神经网络、注意力机制和层次化信号分解捕获多种时空依赖,在多个长期预测基准上相比现有模型平均降低23%的MSE。
2023-11-30 cs.LG