Short-term daily precipitation forecasting with seasonally-integrated autoencoder
Chiang Mai University（清迈大学）；Data Science Research Center（数据科学研究中心）
短期降水预报对于从个人规划、城市管理到防洪等多尺度的人类活动规划至关重要。然而，短期大气动力学是高度非线性的，它不能很容易地捕捉到经典的时间序列模型。另一方面，深度学习模型擅长学习非线性相互作用，但它们并不是为了处理时间序列中的季节性而设计的。在这项研究中，我们的目标是开发一个预测模型，既可以处理的非线性和检测隐藏在每日降水数据的季节性。为此，我们提出了一个季节性集成自动编码器（SSAE），由两个长短期记忆（LSTM）自动编码器组成：一个用于学习短期动态，另一个用于学习时间序列中的季节性。我们的实验结果表明，无论气候类型如何，SSAE不仅优于各种时间序列模型，而且与其他深度学习模型相比，它的输出方差也较低。结果还表明，SSAE的季节性成分有助于改善预测和实际值之间的相关性，从水平1的4%提高到水平3的37%。
2021-01-23 cs.LG
Journaling Data for Daily PHQ-2 Depression Prediction and Forecasting
University of Augsburg（奥格斯堡大学）；Imperial College London（帝国理工学院）；GET.ON Institut für Online Gesundheitstrainings GmbH/HelloBetter（GET.ON在线健康培训研究所有限公司/HelloBetter）；Technical University Munich（慕尼黑工业大学）
数字健康应用对于评估和监测患有抑郁症等精神健康状况的人的健康状况变得越来越重要。所述应用的共同目标是预测自我评估的患者健康量表（PHQ）的结果，指示抑郁个体的当前症状严重性。在这项工作中，我们探索了使用主动收集的数据来预测和预测新收集的纵向数据集上的每日PHQ-2评分的潜力。我们获得了每日预测PHQ-2评分的最佳MAE为1.417，特别是在所使用的数据集中，范围为0至12，使用leave-one-subject-out交叉验证，以及使用最多7天的数据预测PHQ-2评分的最佳MAE为1.914。这说明了可以通过将主动收集的数据合并到抑郁症监测应用程序中来获得的附加值。
2022-05-06 cs.AI cs.LG
FuXi-Ocean: A Global Ocean Forecasting System with Sub-Daily Resolution
Artificial Intelligence Innovation and Incubation Institute, Fudan University（复旦大学人工智能创新与孵化院）；Shanghai Innovation Institute（上海创新研究院）；School of Marine Science and Technology,Tianjin University（天津大学海洋科学与技术学院）
FuXi-Ocean是首个数据驱动的全球海洋预报模型，实现六小时、1/12°涡分辨预报，通过Mixture-of-Time模块整合多时间上下文预测，有效减轻累积误差，在温度、盐度和海流预测上表现优越。
2025-10-24 cs.AI cs.LG physics.ao-ph
Market forecasting using Hidden Markov Models
本文以欧元/美元期货的日收盘价和对数收益率为研究对象，利用隐马尔可夫模型（HMRM）对欧元/美元期货的价格进行预测。我们的工作的目的是要了解如何描述不同的金融时间序列，根据其结构的障碍。随后，我们分析了在以前的文献中暴露的预测方法，把证据的优点和缺点。
2016-05-06 cs.LG stat.ML
Towards Predicting First Daily Departure Times: a Gaussian Modeling Approach for Load Shift Forecasting
Technical University of Munich（慕尼黑工业大学）
本文提出了两种统计高斯预测方法，用于预测日常使用的电动汽车的首次每日出发时间（FDDT）。这在智能电网应用中是重要的，以了解这种移动存储单元的断开时间，例如预测不可调度负载（例如风能和太阳能）的存储。我们提供了一个审查的相关国家的最先进的驾驶行为功能对FDDT预测，然后提出一个近似高斯方法，定性预测有多少车辆将离开在给定的时间范围内，假设离开时间遵循正态分布。该方法将采样会话视为叠加的泊松分布，以获得单个近似高斯模型。给定高斯分布的出发时间的假设，我们还与高斯混合模型（GMM），其中预先设置的集群的数量表示所需的时间粒度的问题建模。评价已证明，对于测试的数据集，低误差和高置信度（$\approx 95\%$）是可能的15和10分钟的时间间隔，GMM优于传统的建模，但在数据集之间的可推广性较低，因为它更接近采样数据。最后，我们讨论了未来的可能性和实际应用所讨论的模型。
2015-07-16 cs.LG
Leveraging Wastewater Monitoring for COVID-19 Forecasting in the US: a Deep Learning study
University of Virginia（弗吉尼亚大学）
2019年底爆发的COVID-19是一场震惊世界的健康危机的开始，并在随后的几年中夺走了数百万人的生命。许多政府和卫生官员未能阻止感染在其社区的快速传播。潜伏期长，无症状病例比例大，使得COVID-19特别难以追踪。然而，废水监测很快就成为一个有前途的数据来源，除了常规指标，如确诊的每日病例，住院和死亡。尽管对废水病毒载量数据的有效性达成了共识，但缺乏利用病毒载量来改善COVID-19预测的方法。本文提出使用深度学习来自动发现每日确诊病例与病毒载量数据之间的关系。我们训练了一个深度时间卷积网络（DeepTCN）和一个时间融合Transformer（TFT）模型来构建全局预测模型。我们将每日确诊病例与病毒载量和其他社会经济因素作为协变量补充到模型中。我们的研究结果表明，TFT的表现优于DeepTCN，并学习了病毒载量和日常病例之间更好的关联。我们证明了，为模型配备病毒载量可以显着提高其预测性能。此外，病毒载量被证明是第二个最具预测性的输入，其次是遏制和健康指数。我们的研究结果揭示了在提供废水病毒载量数据时训练位置不可知的深度学习模型来捕获感染扩散动态的可行性。
2022-12-17 cs.LG
Deep Learning Methods for Daily Wildfire Danger Forecasting
National Observatory of Athens（雅典国家天文台）；Universitat de València（瓦伦西亚大学）；Max Planck Institute for Biogeochemistry（马克斯·普朗克生物地球化学研究所）
野火预测对于减少灾害风险和环境可持续性至关重要。我们将日常火灾危险预测作为一项机器学习任务，使用过去十年的历史地球观测数据来预测第二天的火灾危险。为此，我们收集，预处理和协调一个开放访问的数据立方体，具有一组共同影响火灾发生和蔓延的协变量，如天气条件，卫星衍生产品，地形特征和与人类活动有关的变量。我们实现了各种深度学习（DL）模型来捕获空间、时间或时空上下文，并将它们与随机森林（RF）基线进行比较。我们发现，无论是空间还是时间上下文都足以超过RF，而利用时空上下文的ConvLSTM在接收器操作特性下的测试面积为0.926时表现最好。我们基于DL的概念验证提供了比现有运营解决方案高得多的空间分辨率的全国范围的每日火灾危险地图。
2021-11-04 cs.AI cs.CV cs.LG
Forecasting directional movements of stock prices for intraday trading using LSTM and random forests
BITS Pilani（比尔拉科学技术学院）；Nanyang Technological University（南洋理工大学）
我们采用随机森林和LSTM网络（更准确地说是CuDNNLSTM）作为训练方法，分析它们在预测1993年1月至2018年12月期间标准普尔500指数成分股的样本外方向性走势方面的有效性。我们引入了一个多功能的设置，不仅包括收盘价的回报，但也相对于开盘价和日内回报。作为交易策略，我们使用Krauss et al.（2017）和Fischer & Krauss（2018）作为基准。在每个交易日，我们买入概率最高的10只股票，卖空概率最低的10只股票，以获得超过市场的日内回报--所有股票的货币权重都是相同的。我们的实证结果表明，在交易成本之前，多特征设置使用LSTM网络提供了0.64%的每日回报，使用随机森林提供了0.54%的每日回报。因此，我们的表现优于Fischer & Krauss（2018）和Krauss et al.（2017）中的单一特征设置，仅包括收盘价的每日回报，LSTM和随机森林的相应每日回报分别为0.41%和0.39%。
2021-06-30 cs.LG q-fin.ST stat.ML
A novel hybrid model based on multi-objective Harris hawks optimization algorithm for daily PM2.5 and PM10 forecasting
School of Statistics, Dongbei University of Finance and Economics（东北财经大学统计学院）
严重的空气污染可能会严重影响人们的生活环境，甚至危及他们的生命。为了降低大气污染物浓度，并在有害空气污染物发生前向公众发出预警，迫切需要设计一种准确可靠的大气污染物预报模式。然而，以往的研究大多存在着忽视预测稳定性的重要性、初始参数选取不当等不足，这些都严重影响了空气污染预测的效果。因此，为了解决这些问题，在这项研究中提出了一种新的混合模型。具体地说，采用了一种强大的数据预处理技术，将原始时间序列从低频到高频分解成不同的模式。其次，本文提出了一种新的多目标优化算法MOHHO，并将其引入ELM模型参数的整定中，使ELM模型的参数整定具有较高的预报精度和稳定性，并用于大气污染序列的预报。并利用优化后的ELM模型进行时间序列预测。最后，设计了一个科学的、稳健的评价体系，包括误差准则、基准模型和实验，并利用中国3个城市的6个空气污染物浓度时间序列对所提出的混合预测模型进行了综合评价。实验结果表明，该混合模型具有较好的稳定性和较高的预测性能，其优越的预测能力有助于制定有效的空气污染物排放计划，预防空气污染引起的健康问题。
2019-05-30 cs.LG eess.SP stat.AP
Deep multi-stations weather forecasting: explainable recurrent convolutional neural networks
Maastricht University（马斯特里赫特大学）
由于数据驱动模型取得的进展，应用于天气预报的深度学习开始受到欢迎。本文比较了两种不同的深度学习架构，对从欧洲18个城市收集的15年内的每日数据进行天气预测。我们提出了深度注意单流多流（DAUM）网络，它研究了不同类型的输入表示（即张量单流与多流）以及注意力机制的结合。特别是，我们表明，在模型中添加自我注意块提高了整体预测性能。此外，可视化技术，如遮挡分析和得分最大化，用于提供对最重要的功能和城市的额外见解，用于预测目标城市的特定目标功能。
2021-02-10 cs.LG stat.ML
Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting
Applied AI Center（应用人工智能中心）；Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院）；Shirshov Institute of Oceanology（希尔绍夫海洋研究所）；Moscow Institute of Physics and Technology（莫斯科物理技术学院）；Gazprom Neft（俄罗斯天然气工业石油公司）
全球变暖使北极可用于海上作业，并产生了对可靠的海冰业务预报的需求，以确保海上作业的安全。虽然海洋冰数值模型是高度计算密集型的，相对轻量级的ML为基础的方法可能是更有效的在这项任务中。许多工作利用不同的深度学习模型以及经典方法来预测北极的海冰浓度。然而，只有少数几家公司关注日常业务预报，并考虑业务所需数据的实时可用性。在这项工作中，我们的目标是缩小这一差距，并研究在两种制度下训练的U-Net模型的性能，以预测未来10天的海冰。我们表明，这种深度学习模型可以显著优于简单基线，并通过使用额外的天气数据和多个地区的训练来提高其质量，确保其泛化能力。作为一个实际的结果，我们建立了一个快速，灵活的工具，产生业务海冰预报在巴伦支海，拉布拉多海和拉普捷夫海地区。
2022-10-17 cs.CV cs.LG
Smart Metro: Deep Learning Approaches to Forecasting the MRT Line 3 Ridership
Technological University of the Philippines（菲律宾技术大学）；National University（国立大学）；Philippine Coding Camp（菲律宾编程营）；University of the Philippines Open University（菲律宾大学开放大学）
本文针对菲律宾MRT3号线日客流量预测难题，提出基于深度学习的时间序列预测方法，以预测特定车站在特定日期的未来客流，帮助通勤者规划行程。
2023-04-14 cs.AI cs.CY cs.LG
Trend analysis and forecasting air pollution in Rwanda
African Institute for Mathematical Sciences, Rwanda（卢旺达非洲数学科学研究所）；Institute of Applied Statistics, University of Burundi（布隆迪大学应用统计研究所）
空气污染是全球范围内的一个重大公共卫生问题，尽管缺乏数据是大多数低收入和中等收入国家的一个全球性问题。细颗粒物（PM2.5）形式的环境空气污染超过了世界卫生组织在卢旺达的指导方针，每天平均约为42.6微克/立方米。监测和缓解战略需要对收集污染数据的设备进行昂贵的投资。低成本的传感器技术和机器学习方法已经成为获得可靠信息的替代解决方案。本文分析了卢旺达的空气污染趋势，并提出了适合于部署在卢旺达的低成本传感器网络收集的数据的预测模型。
2022-05-20 cs.LG stat.ML
COMEX Copper Futures Volatility Forecasting: Econometric Models and Deep Learning
The Hong Kong University of Science and Technology, Guangzhou（香港科技大学（广州））；The Chinese University of Hong Kong（香港中文大学）
本研究对比计量模型与深度学习模型对COMEX铜期货波动率的预测效果，发现日度预测下HAR模型最优，小时级高频数据下深度学习模型表现优于GARCH且接近HAR。
2024-09-12 cs.LG q-fin.MF
Diffusion Precipitation Generation with Medium-range Weather Forecasting
Tsinghua University（清华大学）；The Chinese University of Hong Kong（香港中文大学）；The Hong Kong University of S & T（香港科技大学）；Sun Yat-Sen University（中山大学）；NSCC-SZ（国家超级计算深圳中心）；China Meteorological Administration（中国气象局）；GBA Weather Research Center（粤港澳大湾区天气研究中心）；Huawei Technologies Co., Ltd（华为技术有限公司）
本文提出动力学-降水解耦即插即用框架，结合扩散生成器与多尺度循环编码器、交叉注意力，在Pangu-Weather等骨干网络上实现日降水量预报精度与事件检测能力提升，优于ENS、GenCast等基准。
2026-10-12 cs.LG
Application of BERT in Wind Power Forecasting-Teletraan's Solution in Baidu KDD Cup 2022
Teletraan Inc.（Teletraan公司）；Renmin University of China（中国人民大学）
针对风电功率长序列预测难度大的问题，提出将BERT模型结合日波动后处理的风电预测方案，在百度KDD Cup 2022的2490支队伍中获季军并开源代码。
2023-07-18 cs.LG eess.SP
Quantifying Protocol-Induced Uncertainty in Comparative Predictive-Model Evaluation: Evidence from Large-Scale Daily PM10 Forecasting
Eastern University（东方大学）
本研究量化了预测模型评估中协议切换引发的排名不确定性，提出PSS框架，通过大规模PM10预报实验证明协议间位移远超协议内扰动，建议报告排名稳定性。
2026-09-23 cs.LG
Effects of Daily News Sentiment on Stock Price Forecasting
Tiger Analytics（泰格分析公司）；Genpact（简柏特公司）；PWC（普华永道）；Techno India University（印度理工大学）；Praxis Business School（普拉克西斯商学院）
本文构建约3.7年、近50万篇新闻的NIFTY50新闻数据库，结合价格与多来源情绪分数训练LSTM，比较加入新闻情绪特征对股价预测性能的影响。
2023-08-02 cs.LG q-fin.ST
Recursive Quantum Long Short-Term Memory for Stable Short-Horizon Temperature Forecasting
University of Toronto（多伦多大学）；National Yang Ming Chiao Tung University（国立阳明交通大学）；Brookhaven National Laboratory（布鲁克海文国家实验室）；PecuLab LLC（PecuLab有限责任公司）
本文提出递归量子长短期记忆模型，用于短期温度预测，通过递归量子特征变换提高稳定性和泛化能力，降低预测误差。
2026-09-18 cs.LG
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
Volatility Forecasting in Global Financial Markets Using TimeMixer
Hong Kong Community College（香港社区学院）
本研究应用 TimeMixer 模型预测全球金融资产波动率，发现其通过多尺度混合方法在短期预测中表现优异，但在长期预测中准确性下降，适用于金融风险管理。
2024-09-27 cs.AI cs.LG q-fin.ST
Forecasting Solar Power Generation on the basis of Predictive and Corrective Maintenance Activities
PDEU（PDEU大学）
太阳能预测在过去十年中有了巨大的增长，使用从气象站收集的历史时间序列，如天气变量风速和风向，太阳辐射和温度。它有助于太阳能发电厂的整体管理。然而，太阳能发电厂定期需要预防性和纠正性维护活动，这进一步影响了能源生产。本文提出了一种新的工作预测太阳能发电的能源生产的基础上，维护活动，在发电厂观察到的问题，和天气数据。这些结果是在从PDEU（我校）的1MW太阳能发电厂获得的数据集上完成的，该数据集从2012年到2020年每天生成13列数据。有12个结构化列和一个非结构化列，其中包含关于不同维护活动、观察到的问题和每日天气状况的手动文本条目。非结构化列用于使用Hash Map、标志词和停止词创建新的特征列向量。最终数据集包括基于相关性和因果关系分析的五个重要特征向量列。
2022-05-17 cs.AI cs.LG eess.SP
Deep Integro-Difference Equation Models for Spatio-Temporal Forecasting
University of Wollongong（伍伦贡大学）；University of Missouri（密苏里大学）
积分-差分方程（IDE）模型通过积分算子描述未来时间点的空间过程与当前时间点的空间过程之间的条件依赖关系。动态的非线性或时间依赖性通常通过允许算子参数随时间变化或通过在滑动窗口中用时间不变的线性算子重新拟合模型来捕获。这两个程序往往是优秀的预测目的，在小的时间范围内，但通常是耗时的，至关重要的是，不提供一个全球先验模型的时间变化的动态是现实的。在这里，我们通过在分层统计IDE框架中使用深度卷积神经网络（CNN）来解决这两个问题，其中CNN旨在从流程的最新行为中提取流程动态。一旦CNN被拟合，就可以使用集合卡尔曼滤波器非常快速地在线进行概率预测，而不需要重复的参数估计。我们进行了一个实验，我们训练模型使用13年的每日海表面温度数据在北大西洋。预测被认为是准确和校准的。我们的方法的一个关键优势是，CNN提供了一个全局先验模型的动态，是现实的，可解释的，计算效率。我们成功地生产10分钟的天气雷达反射率在悉尼使用相同的模型，每天在北大西洋的海面温度数据训练的临近预报的方法的多功能性。
2020-01-27 cs.LG stat.ME stat.ML
Forecasting Large Realized Covariance Matrices: The Benefits of Factor Models and Shrinkage
Duke University（杜克大学）；State Farm（州立农业保险公司）；The University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Insper（Insper 商学院）
我们提出了一个模型来预测大的已实现的协方差矩阵的回报，将其应用到标准普尔500指数的成分股。为了解决维度灾难，我们使用标准的公司层面因素（例如，规模、价值和盈利能力），并在残差协方差矩阵中使用部门限制。然后使用具有最小绝对收缩和选择算子（LASSO）的向量非均质自回归（VHAR）模型估计该受限模型。相对于标准基准，我们的方法提高了预测精度，并导致更好地估计最小方差投资组合。
2023-03-22 cs.LG econ.EM q-fin.ST
Forecasting COVID-19 Case Counts Based on 2020 Ontario Data
Acadia Institute for Data Analytics（阿卡迪亚数据分析研究所）；Acadia University（阿卡迪亚大学）
目的：开发机器学习模型，根据过去14天的环境和流动数据，预测每天的COVID-19病例数。方法：使用了安大略省多伦多市周围四个县的COVID-19数据。将数据编制成每日记录，其中包括新冠肺炎病例数、患者人口统计数据、室外天气变量、室内环境因素以及基于细胞流动性和公共卫生限制的人员流动。对这些数据进行分析，以确定最重要的变量及其相互作用。使用CNN和LSTM深度神经网络方法开发预测模型。一种5重时间顺序交叉验证方法使用这些方法使用2020年3月1日至10月14日的数据开发预测模型，并在2020年10月15日至12月24日的数据上进行测试。结果如下：最好的LSTM模型预测明天的每日COVID病例数的准确率为90.7%，使用独立的测试数据预测7天滚动平均COVID病例数的准确率为98.1%。预测未来7天每日COVID病例数的最佳模型在所有日期的准确率为79.4%。预测7天滚动平均病例数的模型在同一测试集上的平均准确率为83.6%。结论：我们的研究结果指出了室内湿度对COVID-19等病毒传播的重要性。在一年中最冷的时候，当人们在室内或车里呆的时间更长时，建筑物内的空气质量会下降，最明显的是室内相对湿度水平。中到高的室内温度加上低IRH（低于20%）创造了病毒传播更有可能的条件，因为从感染者口中喷出的水蒸气可以在空气中停留更长时间，因为蒸发和干燥的皮肤条件，特别是在接受者的气道中，促进了传…
2023-03-18 cs.LG
A Sequence-to-Sequence ConvLSTM Approach for Leaf Area Index Forecasting over the South-Central United States
Cooperative Institute for Research in the Atmosphere, Colorado State University（科罗拉多州立大学大气合作研究所）
针对高分辨率LAI预测难题，提出序列到序列ConvLSTM框架，以美国中南部为研究区，实现1公里分辨率30天时效的LAI预测，性能优于基准，为相关应用提供支撑。
2026-08-04 cs.LG physics.ao-ph
Forecasting Patient Demand at Urgent Care Clinics using Machine Learning
Massey University（梅西大学）
由于人员配备不足，世界各地的紧急护理诊所和急诊室经常会出现超出患者预期的等待时间。这些延迟与不良临床结局有关。以前的研究预测需求这一领域主要使用了统计技术的集合，与机器学习方法现在才开始出现在最近的文献。此领域的预测问题困难，且因COVID-19疫情而变得复杂，由于典型的需求模式被打乱，导致此估计变得额外复杂。这项研究探讨了机器学习方法在新西兰奥克兰的两个大型紧急护理诊所生成准确患者演示的能力。许多机器学习算法进行了探索，以确定最有效的技术，为这个问题的领域，与任务的预测，每天的病人需求提前三个月。该研究亦对模型行为进行了深入分析，以探索哪些特征在预测需求方面最有效，以及哪些特征能够适应COVID-19疫情封锁所导致的波动。结果表明，基于集成的方法平均提供了最准确和一致的解决方案，比现有的内部方法提高了23%-27%。
2022-05-25 cs.AI cs.LG
Benchmarking Pre-Trained Time Series Models for Electricity Price Forecasting
SnT - Interdisciplinary Center for Security, Reliability and Trust（SnT跨学科安全、可靠与信任中心）
为明确预训练时间序列模型在电价预测中的有效性，本研究将6种前沿预训练模型与传统方法在5国2024年日前拍卖电价数据上进行基准测试，发现双季节性MSTL模型性能最优且稳定，预训练模型中Chronos-Bolt和Time-MoE表现最佳但未超越传统模型。
2025-08-20 cs.AI cs.LG q-fin.ST
Comparative Analysis of Time Series Forecasting Approaches for Household Electricity Consumption Prediction
State University of New York（纽约州立大学）；Ninewatt Inc.（Ninewatt公司）；University of Central Asia（中亚大学）
由于人口增长和全球化，对能源的需求大大增加。因此，准确的能耗预测已成为政府规划、减少电能浪费和能源管理系统稳定运行的必要前提。在这项工作中，我们提出了一个主要的机器学习模型的家庭能源消费的时间序列预测的比较分析。具体来说，我们使用Weka，一个数据采掘工具，首先将模型应用于Kaggle数据科学社区提供的每小时和每日家庭能源消耗数据集。应用的模型有：多层感知器，K最近邻回归，支持向量回归，线性回归和高斯过程。其次，我们还在python中实现了时间序列预测模型ARIMA和VAR，以预测选定的韩国家庭在有和没有天气数据的情况下的家庭能源消耗。研究结果表明，能源消费预测的最佳方法是支持向量回归，其次是多层感知器和高斯过程回归。
2022-07-03 cs.LG
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions
Oxford-Man Institute of Quantitative Finance, University of Oxford（牛津大学牛津-曼量化金融研究院）；Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；University of Oxford（牛津大学）
本文提出 DeepVol 模型，利用膨胀因果卷积从高频日内数据中自动学习预测信息以预测次日波动率，在 NASDAQ-100 两年数据上验证其优于传统方法，并避免了日度数据模型的设定错误和人工特征设计局限。
2024-08-08 cs.LG q-fin.CP q-fin.RM
Weather Maps as Tokens: Transformers for Renewable Energy Forecasting
IFAB Foundation（IFAB基金会）
针对现有可再生能源预测方法难以融合天气时空特征的问题，提出将天气图编码为Transformer令牌的预测方法，相比ENTSO-E运营预测大幅降低风、光预测RMSE，已上线实时预测仪表盘。
2025-11-19 cs.LG
Forecasting foreign exchange rates with regression networks tuned by Bayesian optimization
University of Munich (LMU)（慕尼黑大学）；Daimler AG（戴姆勒股份公司）
研究了外汇汇率的多步金融时间序列预测问题。为了解决这个问题，我们引入了一个回归网络，称为RegPred Net。汇率预测被视为一个随机过程。它被假定为遵循一个广义的布朗运动和平均回复过程称为广义Ornstein-Uhlenbeck过程，与时间相关的系数。使用输入时间序列的过去观察值，这些系数可以通过网络的前半部分（Reg）的单元在线回归。回归系数仅取决于-但非常敏感-需要设置的全局优化过程，贝叶斯优化是一个足够的启发式的一小部分超参数。由于其多层架构，回归网络的第二部分（Pred）可以为递归过程系数投影时间相关值，并生成时间序列的真实轨迹。通过对蒙特卡罗模拟获得的值进行平均，可以很容易地以预期值的形式得出预测。在100天的范围内的预测准确性进行评估的几个最重要的外汇汇率，如欧元/美元，欧元/CNY，欧元/英镑。我们的实验结果表明，RegPred Net在测量绝对误差（RMSE）和预测值与实际值之间的相关性（Pearson R，R-squared，MDA）方面明显优于ARMA，ARIMA，LSTM和Autoencoder-LSTM模型。与黑盒深度学习模型（如LSTM）相比，RegPred Net具有更好的可解释性，结构更简单，参数更少。
2022-05-11 cs.LG q-fin.ST stat.ML
A new machine learning framework for occupational accidents forecasting with safety inspections integration
Laboratoire de Mathématique Blaise Pascal UMR 6620 CNRS, Université Clermont Auvergne（布列塔尼数学实验室（皮萨实验室））
本文提出一种整合安全检查的新型机器学习框架，用于预测职业事故，通过将安全检查数据转化为二元时间序列，实现短期风险信号的生成与评估。
2025-12-29 cs.LG stat.ME
Forecasting Intraday USD/CAD Exchange Rate with News-Derived Monetary-Policy Signals
本文提出统计归因方法，利用大语言模型将货币政策新闻转化为结构化信号，通过滚动窗口实验证明沟通时机等维度对日内美元/加元汇率具有可测量的预测价值，且归因分析优于仅关注整体准确性。
2026-09-29 cs.AI cs.LG q-fin.CP
A Branched Deep Convolutional Network for Forecasting the Occurrence of Hazes in Paris using Meteorological Maps with Different Characteristic Spatial Scales
该研究开发了一种分支深度卷积网络，利用多年代际气象图预测巴黎雾霾发生，通过保留不同输入特征的空间信息，在验证和盲测中均取得合理性能。
2023-10-16 cs.LG physics.ao-ph
Spatio-temporal DeepKriging in PyTorch: A Supplementary Application to Precipitation Data for Interpolation and Probabilistic Forecasting
School of Mathematics and Applied Statistics, University of Wollongong, Australia（数学与应用统计学系，沃林戈恩大学，澳大利亚）
本文基于PyTorch平台实现时空深度克里金（STDK）框架，用于欧洲降水数据的插值与多步预测，并提供可复现代码模块，验证了该方法在处理时空不规则性时的预测性能与鲁棒性。
2025-09-16 cs.LG stat.AP
FreqLens: Interpretable Frequency Attribution for Time Series Forecasting
Independent Researcher（独立研究者）；Indiana University at Bloomington（印第安纳大学布卢明顿分校）；National Yang Ming Chiao Tung University；National Taiwan University（国立台湾大学）；Boise State University（博伊州立大学）
FreqLens通过可学习的频率发现和公理化的频率归因方法，在时间序列预测中实现了可解释的频率属性分析，展示了物理上有意义的频率发现和理论保证。
2026-02-09 cs.AI cs.LG eess.SP
Stock Volume Forecasting with Advanced Information by Conditional Variational Auto-Encoder
Faculty of Mathematics, University of Cambridge（剑桥大学数学学院）；School of Mathematical Sciences, Queen Mary University of London（伦敦大学玛丽皇后学院数学科学学院）
本文提出使用条件变分编码器（CVAE）结合再平衡日期等先验信息进行股票成交量预测，生成非线性样本外预测，在准确性和相关性拟合上优于传统线性模型，并可用于场景生成。
2024-06-19 cs.LG q-fin.PR q-fin.ST
Forecasting Brazilian and American COVID-19 cases based on artificial intelligence coupled with climatic exogenous variables
Pontifical Catholic University of Parana (PUCPR)（巴拉那天主教大学）；Federal Technological University of Parana (UTFPR)（巴拉那联邦理工大学）；Federal University of Parana (UFPR)（巴拉那联邦大学）
新型冠状病毒病（COVID-19）是一种公共卫生问题，据世界卫生组织统计，截至2020年6月10日，全球有超过710万人感染，超过40万人死亡。在目前的情况下，巴西和美利坚合众国每天的新病例和死亡发生率很高。在一周的时间窗口内预测新病例的数量非常重要，因为这可以帮助公共卫生系统制定应对COVID-19的战略规划。在本文中，贝叶斯回归神经网络，立体回归，k-近邻，分位数随机森林，和支持向量回归，使用独立的，再加上最近的预处理变分模式分解（VMD）的时间序列分解成几个内在的模式函数。所有人工智能技术都在时间序列预测任务中进行了评估，其中包括截至2020年4月28日，巴西和美国五个州的COVID-19累积病例提前一天，三天和六天。所有预测模型均采用过往累计COVID-19病例及每日气温及降水量等外生变量作为输入。VMD的混合在准确性方面优于单一预测模型，特别是当视野提前六天时，在70%的情况下实现了更好的准确性。对于外生变量，作为预测变量的重要性排名是过去的情况下，温度和降水。由于经评估的模型可有效预测COVID-19累积病例达六天前，所采用的模型可被推荐为有前景的预测模型，并可用于协助制定公共政策以减轻COVID-19爆发的影响。
2020-07-21 cs.LG q-bio.PE
COVID-19 forecasting using new viral variants and vaccination effectiveness models
University of Hyogo（兵库大学）；Nagoya Institute of Technology（名古屋工业大学）
工作背景：最近，在疫苗接种率相对较高的地区报告了大量的每日COVID-19阳性病例;因此，加强疫苗接种已成为必要。此外，由不同变体和相关因素引起的感染尚未深入讨论。由于变异性大，协因子不同，很难使用传统的数学模型来预测COVID-19的发病率。研究方法：应用基于长短期记忆的机器学习方法对日新增阳性病例、重症病例、住院病例和死亡病例的时间序列进行预测。从疫苗接种率高的地区（如以色列）获得的数据与日本其他地区的当前数据混合，以考虑疫苗接种的潜在影响。症状性感染提供的保护还考虑了疫苗接种的群体有效性以及保护减弱和病毒变异体的比例和传染性。为了反映公众行为的变化，分析中还包括通过社交媒体进行的公共流动和互动。调查结果：比较在以色列特拉维夫观察到的和估计的新DPC，表征疫苗接种有效性和感染保护减弱的参数得到了很好的估计; δ变体感染后5个月后第二剂和两周后第三剂的疫苗接种有效性分别为0.24和0.95。使用提取的关于疫苗接种有效性的参数，在日本的三个县的新病例进行了复制。
2022-08-12 cs.AI cs.LG
Forecasting Russian Equipment Losses Using Time Series and Deep Learning Models
Jonathan Teagan（独立研究者）
本研究利用时间序列和深度学习模型（如TCN和LSTM）基于OSINT数据预测俄罗斯装备损失，强调集成预测在冲突建模中的重要性。
2025-09-09 cs.AI cs.LG
Time Series Forecasting Using Manifold Learning
Università degli Studi di Napoli Federico II（那不勒斯费德里科二世大学）；Technion — Israel Institute of Technology（以色列理工学院）；Johns Hopkins University（约翰斯·霍普金斯大学）；Scuola Superiore Meridionale（南方高等学校）
我们提出了一个基于流形学习的三层数值框架，用于预测高维时间序列。在第一步中，我们使用非线性流形学习算法（如局部线性嵌入和扩散映射）将时间序列嵌入到降低的低维空间中。在第二步，我们在流形上构建降阶回归模型，特别是多元自回归（MVAR）和高斯过程回归（GPR）模型，以预测嵌入的动态。在最后一步，我们使用径向基函数插值和几何谐波将嵌入的时间序列提升回原始高维空间。为了说明，我们用四组时间序列来测试所提出的数值方案的预测性能：三个合成的随机信号，类似于从具有不同模型阶数的线性和非线性随机模型产生的EEG信号，以及一个真实世界的数据集，包含跨越时间段03/09/2001-29/10/2020的10个关键外汇汇率（FOREX）的每日时间序列。建议的数值方案的预测性能进行评估，使用流形学习，建模和提升方法的组合。我们还提供了一个比较与主成分分析算法，以及与天真的随机游动模型和MVAR和GPR模型训练和实施直接在高维空间。
2021-11-23 cs.LG cs.NA math.DS
Social-Media Activity Forecasting with Exogenous Information Signals
University of South Florida（南佛罗里达大学）
由于社交媒体平台的广泛采用，它为研究和理解社会行为提供了理想的环境，特别是在信息传播方面。对社交媒体活动进行建模具有许多实际意义，例如支持分析战略信息操作的努力，设计干预技术以减轻虚假信息，或在救灾行动中提供关键信息。在本文中，我们提出了一种建模技术，预测特定主题的社交媒体活动的日常量，通过使用两个外源信号，如新闻或武装冲突记录，和内源性数据从我们的社交媒体平台模型。实证评估与真实数据集从两个不同的平台和两个不同的背景下，每个组成的多个相互关联的主题证明了我们的解决方案的有效性。
2021-09-22 cs.LG cs.SI
Financial Market Directional Forecasting With Stacked Denoising Autoencoder
Nanjing Audit University（南京审计大学）；Southwestern University of Finance and Economics（西南财经大学）
预测股票市场走向一直是金融学中一个令人惊奇而又富有挑战性的问题。虽然许多流行的浅层计算方法（如反向传播网络和支持向量机）已被广泛提出，但大多数算法尚未达到理想的适用性水平。在本文中，我们提出了一种深度学习模型，该模型具有强大的生成高级特征表示的能力，可用于准确的财务预测。准确地说，应用来自深度学习的堆叠去噪自动编码器（SDAE）来预测来自中国上海和深圳证券交易所的每日CSI 300指数。我们使用六个评价标准来评估其性能，并与反向传播网络，支持向量机。实验表明，采用深机技术的底层金融模型对沪深300指数的预测具有显著优势。
2019-12-02 cs.LG q-fin.CP
Comparative analysis of neural network architectures for short-term FOREX forecasting
Hellenic Open University（希腊开放大学）
本研究针对短期外汇预测场景，对比了LSTM系列架构与基于技术分析指标模拟器的自定义ANN架构，发现后者预测质量更优、灵敏度更高且资源耗时更少，适合低功耗快速决策场景。
2024-05-13 cs.AI cs.LG cs.NE
Sea Ice Forecasting using Attention-based Ensemble LSTM
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
准确预测北极海冰从亚季节到季节尺度一直是一项重大的科学工作，面临着根本性的挑战。除了基于物理学的地球系统模型外，研究人员还将多种统计和机器学习模型用于海冰预测。着眼于数据驱动的海冰预测的潜力，我们提出了一种基于注意力的长短期记忆（LSTM）集成方法，以预测每月的海冰范围提前1个月。使用来自NSIDC的每日和每月卫星检索的海冰数据以及来自ERA5再分析产品的大气和海洋变量，我们证明了我们的多时相集成方法优于几种基线和最近提出的深度学习模型。这将大大提高我们预测未来北极海冰变化的能力，这对于预测运输路线、资源开发、海岸侵蚀、对北极沿海社区和野生动物的威胁至关重要。
2022-02-08 cs.AI cs.LG physics.ao-ph
Forecasting Day-Ahead Electricity Prices in the Integrated Single Electricity Market: Addressing Volatility with Comparative Machine Learning Methods
School of Electronics, Electrical Engineering and Computer Science, Queen’s University Belfast（贝尔法斯特女王大学电子、电气工程与计算机科学学院）
本研究针对爱尔兰综合单一电力市场的高波动日前电价，对比传统机器学习与神经网络模型及不同训练周期的预测效果，明确了欧盟气价等关键特征的重要性及可再生能源对电价的压低作用。
2024-08-10 cs.AI cs.LG cs.SY
A Daily Tourism Demand Prediction Framework Based on Multi-head Attention CNN: The Case of The Foreign Entrant in South Korea
Sungkyunkwan University（成均馆大学）
建立一个准确的旅游预测模型对于旅游管理部门做出合理的决策至关重要。旅游管理的早期研究集中于发现与旅游需求相关的外部因素。最近的研究将深度学习与这些外部因素一起用于需求预测。他们主要使用递归神经网络模型，如LSTM和RNN作为框架。然而，这些模型并不适合用于预测旅游需求。这是因为旅游需求受到各种外部因素变化的强烈影响，递归神经网络模型在处理这些多变量输入时存在局限性。我们提出了一个多头注意力CNN模型（MHAC）来解决这些限制。MHAC使用1D-卷积神经网络来分析时间模式，并使用注意力机制来反映输入变量之间的相关性。该模型使得从各种变量的时间序列数据中提取时空特征成为可能。我们应用我们的预测框架来预测韩国入境游客的变化，考虑外部因素，如政治，疾病，季节和韩国文化的吸引力。大量实验的性能结果表明，我们的方法在韩国旅游预测中优于其他基于深度学习的预测框架。
2021-12-01 cs.LG
Forecasting Foreign Exchange Market Prices Using Technical Indicators with Deep Learning and Attention Mechanism
Islamic Azad University（伊斯兰阿扎德大学）；Shahed University（沙希德大学）
针对外汇市场价格行为预测问题，本文提出结合技术指标、LSTM、CNN与注意力机制的新方法，通过提取特征、并行网络建模及注意力加权，在多货币对测试中表现优于基准模型，有效提升预测准确性。
2024-11-29 cs.AI cs.LG
Clustering and attention model based for intelligent trading
The University of Sydney（悉尼大学）
外汇市场在全球金融市场中占有重要地位。外汇交易在给投资者带来高收益机会的同时，也带来了一定的风险。自20世纪外汇市场建立以来，外汇汇率预测就成为各国学者研究的热点问题。由于影响外汇市场因素的复杂性和数量，技术分析无法应对行政干预或突发事件。我们的团队选择了2005年至2021年的几对外币历史数据和衍生技术指标作为数据集，并建立了不同的机器学习模型，用于超卖场景下的事件驱动价格预测。
2021-08-06 cs.LG q-fin.ST
IceBench-S2S: A Benchmark of Deep Learning for Challenging Subseasonal-to-Seasonal Daily Arctic Sea Ice Forecasting in Deep Latent Space
Fudan University（复旦大学）；Shanghai AI Laboratory（上海人工智能实验室）；Chinese University of Hong Kong（香港中文大学）
IceBench-S2S通过深度学习框架提升北极海冰预测的季节尺度能力，为极地环境监测提供统一的训练和评估流程。
2026-01-31 cs.AI cs.LG eess.IV
Constraint-Based Inference of Heuristics for Foreign Exchange Trade Model Optimization
Michigan State University（密歇根州立大学）
外汇（Forex）是一个大型分散市场，交易分析和算法交易在其中很受欢迎。研究工作一直侧重于证明某些技术指标的有效性。然而，我们证明，指标函数的值是不可复制的，往往会减少贸易机会的数量，相比价格行动交易。在这项工作中，我们开发了两个与交易信号率高的外汇交易启发式模板。为了确定给定启发式原型的最佳参数，我们对三种低利润工具和6种不同OHLC粒度的10年外汇价格数据进行了机器学习模拟。因此，我们为每个工具粒度对开发了一个特定的和可重复的最佳交易参数列表，优化配置的平均每日利润为118点。
2021-05-11 cs.AI cs.CE cs.LG
Forecasting Daily Primary Three-Hour Net Load Ramps in the CAISO System
Technical University of Berlin（柏林工业大学）
可变能源的不断深入渗透给系统运营商（SO）带来了前所未有的挑战。一个值得特别注意的问题是急剧的净负荷斜坡，这要求SO拥有灵活的能力，以便随时保持供需平衡。在明智地采购和部署灵活的能力，一个工具，预测净负荷斜坡可能会有很大的帮助SO。为此，我们提出了一种方法来预测的幅度和开始时间的每日主要的三小时净负荷坡道。我们进行了广泛的分析，以确定影响净负荷的因素，并利用所确定的因素来开发一种利用长短期记忆模型的预测方法。我们证明了所提出的方法的有效性CAISO系统使用比较评估与选定的基准的基础上，各种评估指标。
2020-12-13 cs.LG eess.SP stat.AP
Structured Neural Modeling of Daily Arctic Sea-Ice Concentration Evolution: Physical-Trajectory-Driven Learning and Forecast-Domain Adaptation
Ocean University of China（中国海洋大学）；University of Glasgow（格拉斯哥大学）
本研究提出再分析-预报双域解耦框架，以物理基线生成演化轨迹，结合补偿网络与冰质量感知输运机制，实现海冰浓度每日演化的稳定建模与预报域自适应迁移。
2026-10-06 cs.LG physics.ao-ph
