Probabilistic electric load forecasting through Bayesian Mixture Density Networks
CNR, Institute of Intelligent Industrial Technologies and Systems for Advanced Manufacturing（意大利国家研究委员会 智能工业技术与先进制造系统研究所）；Politecnico di Milano（米兰理工大学）
概率负荷预测（PLF）是高效管理智能电网所需的扩展工具链中的关键组件。神经网络被广泛认为可以实现更好的预测性能，支持目标和条件变量集之间复杂关系的高度灵活的映射。然而，从这种黑箱模型中获得全面的预测不确定性仍然是一个具有挑战性和未解决的问题。在这项工作中，我们提出了一种新的PLF方法，框架贝叶斯混合密度网络。任意和认知的不确定性来源都包含在模型预测中，根据输入特征，在端到端的训练框架内推断一般条件密度。为了实现可靠的和计算可扩展的后验分布估计，均场变分推理和深度集成集成。家庭短期负荷预测任务的实验已经进行，所提出的方法，以实现在不同的操作条件下的鲁棒性能的能力。
2021-01-11 cs.LG eess.SP
Robust Probabilistic Time Series Forecasting
Seoul National University（首尔国立大学）；AWS AI Labs, Amazon Research（亚马逊研究院AWS人工智能实验室）
概率时间序列预测由于其量化不确定性的能力，在决策过程中发挥着至关重要的作用。然而，深度预测模型可能容易受到输入扰动的影响，这种扰动的概念以及鲁棒性的概念甚至还没有在概率预测领域完全建立起来。在这项工作中，我们提出了一个框架，强大的概率时间序列预测。首先，我们推广了对抗性输入扰动的概念，在此基础上，我们制定了有界Wasserstein偏差的鲁棒性的概念。然后，我们扩展了随机平滑技术，以获得强大的概率预测与理论的鲁棒性证书，对某些类别的对抗性扰动。最后，大量的实验表明，我们的方法是有效的经验，提高预测质量下添加对抗攻击和预测一致性下的噪音观测补充。
2022-02-24 cs.LG
Probabilistic Load Forecasting via Point Forecast Feature Integration
GEIRI North America（北美电力科学研究院）；State Grid Jiangsu Electric Power Company Ltd.（国网江苏省电力有限公司）
短期负荷预测是电力系统能量管理系统的重要组成部分。近年来，概率负荷预测（PLF）由于其提供不确定性信息的能力，有助于提高系统运行性能的可靠性和经济性而受到越来越多的关注。本文提出了一个两阶段的概率负荷预测框架，将点预测作为一个关键的概率预测功能集成到PLF。在第一阶段，所有相关的特征被用来训练一个点预测模型，并获得特征的重要性。在第二阶段中，考虑点预测特征以及所选择的特征子集来训练预测模型。在预测模型的测试阶段，利用最终的概率负荷预测结果进行点预测和概率预测。采用ISO新英格兰负荷数据进行的算例表明，该方法在小时前负荷预测中是有效的，点预测采用梯度提升回归，概率预测采用分位数回归神经网络.
2019-03-26 cs.LG stat.ML
When Simpler Wins: Facebooks Prophet vs LSTM for Air Pollution Forecasting in Data-Constrained Northern Nigeria
University of Westminster（威斯敏斯特大学）；Ahmadu Bello University（阿赫马杜·贝洛大学）
本研究在尼日利亚北部数据受限条件下比较 Facebook Prophet 与 LSTM 的多污染物预测效果，发现 Prophet 在季节性和长期趋势数据中常优于或匹敌 LSTM，主张应依据数据特征选择计算高效的预测方法。
2025-08-22 cs.LG
A Multi-model Combination Approach for Probabilistic Wind Power Forecasting
Shandong University（山东大学）；Zhejiang University（浙江大学）；Argonne National Laboratory（阿贡国家实验室）；Tsinghua University（清华大学）
短期概率风电功率预测可以为电力系统运行和控制提供关键的量化的风电功率不确定性信息。由于风电功率预测误差的复杂性，很难开发出一种通用的预测模型来优于其他替代模型。因此，本文提出了一种新的多模型组合（MMC）方法的短期概率风力发电预测，利用不同的预测模型的优点。该方法可以结合不同的预测模型，提供不同的概率密度函数，以提高概率预测精度。采用基于稀疏贝叶斯学习、核密度估计和贝塔分布拟合的概率预测模型构成组合模型。MMC模型的参数求解基于贝叶斯框架。数值试验表明了所提出的MMC方法的有效性。
2017-02-13 cs.LG stat.AP
Probabilistic Time Series Forecasting with Implicit Quantile Networks
Zalando SE（扎兰多股份公司）
在这里，我们提出了一个一般性的概率时间序列预测方法。我们将自回归递归神经网络与隐式分位数网络相结合来模拟时间动态，以学习时间序列目标上的一大类分布。当与真实和模拟数据的其他概率神经预测模型相比时，我们的方法在逐点预测精度以及估计潜在的时间分布方面是有利的。
2021-07-08 cs.AI cs.LG
Probabilistic Circuits for Irregular Multivariate Time Series Forecasting
ISMLL, University of Hildesheim, Germany（Hildesheim大学智能系统实验室）；VWFS, Data Analytics Research Center（数据分析研究中心）
本文提出CircuITS概率电路架构，有效捕捉多变量时间序列复杂依赖关系，提升不规则时间序列联合分布估计精度。
2026-10-14 cs.LG
Probabilistic Forecasting of Imbalance Prices in the Belgian Context
Liège University（列日大学）
预测不平衡价格对于战略性参与短期能源市场至关重要。提出了一种新的两步概率方法，特别关注比利时的情况。第一步包括计算净调节量状态转移概率。它被建模为使用历史数据计算的矩阵。然后，该矩阵用于推断不平衡价格，因为净调节量可以与激活的储备水平相关，并且比利时输电系统运营商在电力输送前一天发布每个激活水平的相应边际价格。这种方法相比，确定性模型，多层感知器，和广泛使用的概率技术，高斯过程。
2021-06-09 cs.LG eess.SP q-fin.ST
Probabilistic Forecasting of Real-Time Electricity Market Signals via Interpretable Generative AI
School of Electrical and Computer Engineering, Cornell University（康奈尔大学电气与计算机工程学院）
本文提出WIAE-GPF，一种基于Weak Innovation AutoEncoder的可解释生成式概率预测架构，通过非参数时间序列新息表示生成多元时间序列未来样本，在实时电力市场信号预测中始终优于经典与前沿机器学习方法。
2024-09-24 cs.LG econ.GN eess.SP
Probabilistic Forecasting for Network Resource Analysis in Integrated Terrestrial and Non-Terrestrial Networks
Centre Tecnològic de Telecomunicacions de Catalunya (CTTC)（加泰罗尼亚电信技术中心（CTTC））；CONNECT Centre（CONNECT中心）；Munster Technological University（芒斯特理工大学）
本文研究集成地面与非地面网络中资源管理的概率预测方法，评估SFF技术相比LSTM在带宽和容量预测中的优势，并展示其量化不确定性的潜力及标准化路线图。
2025-03-26 cs.AI cs.LG cs.NI
Masked Multi-Step Probabilistic Forecasting for Short-to-Mid-Term Electricity Demand
GE Research（通用电气研究中心）；Upstart Power（Upstart Power公司）
预测具有不确定性的电力需求有助于电网的规划和运行，以向消费者提供可靠的电力供应。基于机器学习（ML）的需求预测方法可以分为（1）基于样本的方法，其中每个预测都是独立进行的，以及（2）时间序列回归方法，其中使用一些历史负荷和其他特征信息。在进行短期至中期电力需求预测时，可以获得一些未来信息，例如天气预报和日历变量。然而，在现有的预测模型中，这一未来信息并没有完全纳入。为了克服现有方法的这一局限性，我们提出了掩蔽多步多变量概率预测（MMMPF），一种新的和通用的框架，训练任何神经网络模型，能够生成一系列的输出，它结合了时间信息从过去和已知的信息对未来进行概率预测。在真实世界的数据集上进行了多个地区的短期到中期电力需求预测的实验，并与各种ML方法进行了比较。他们表明，所提出的MMMPF框架不仅优于基于样本的方法，而且优于具有完全相同的基本模型的现有时间序列预测模型。使用MMMPF训练的模型还可以生成所需的分位数，以捕获不确定性，并为未来的网格进行概率规划。
2023-02-14 cs.AI cs.LG eess.SP
Deep Probabilistic Koopman: Long-term time-series forecasting under periodic uncertainties
University of Washington（华盛顿大学）
复杂现象的概率预测对各种科学学科和应用至关重要。尽管问题的普遍性和重要性，一般的数学技术，允许稳定的长期预测校准不确定性措施是缺乏的。对于大多数时间序列模型，获得准确的概率未来时间步长预测的难度随着预测范围的增加而增加。在本文中，我们介绍了一种令人惊讶的简单方法，该方法描述了时变分布的特征，并能够合理准确地预测未来数千个时间步。这种技术，我们称之为深度概率Koopman（DPK），是基于线性Koopman算子理论的最新进展，并且不需要时间步进来预测未来的时间。Koopman模型也倾向于具有较小的参数占用空间（通常少于10，000个参数）。我们展示了这些模型在不同领域的长期预测性能，包括电力需求预测，大气化学和神经科学。对于电力需求建模，我们的领域不可知技术在最近的全球能源预测竞赛中优于所有177个特定领域的竞争对手。
2021-06-10 cs.LG
CLaST: Context-aware Contrastive VAE for Probabilistic Time Series Forecasting
Applied AI Institute（应用人工智能研究所）
该研究针对概率时间序列预测中传统模型难以捕捉时间依赖的问题，提出上下文感知对比VAE框架CLaST，通过对比损失学习上下文相似嵌入，在9个基准测试中均优于基线方法，短期与长期预测的CRPS、NMAE均有显著提升。
2026-09-25 cs.LG
Taming the Long Tail of Deep Probabilistic Forecasting
University of California, San Diego（加州大学圣地亚哥分校）
深度概率预测在许多应用中越来越受到关注，从天气预报到电力消耗估计，再到自动驾驶车辆轨迹预测。然而，现有的方法集中在最常见的情况下，没有解决罕见的和困难的情况下的性能的改进。在这项工作中，我们确定了最先进的深度学习方法在概率预测方面的长尾行为。我们提出了两个基于矩的尾部测量概念，以提高性能的困难的尾巴的例子：帕累托损失和峰度损失。峰度损失是关于损失分布的平均值的四阶矩的对称度量。帕累托损失是不对称的测量右尾，使用广义帕累托分布（GPD）建模的损失。我们展示了我们的方法在几个真实世界的数据集，包括时间序列和时空轨迹的性能，实现了显着的改善尾部的例子。
2022-03-02 cs.LG
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
Conditional Approximate Normalizing Flows for Joint Multi-Step Probabilistic Forecasting with Application to Electricity Demand
Stanford University（斯坦福大学）；McGill University（麦吉尔大学）
一些现实世界的决策问题需要同时对多个步骤进行概率预测。然而，概率预测的方法可能无法捕捉随着误差积累而存在于长期范围内的基本时间序列中的相关性。一个这样的应用是在网格环境中的不确定性下的资源调度，这需要预测电力需求，这是固有的噪声，但往往是循环的。在本文中，我们引入了条件近似归一化流（CANF），使概率多步时间序列预测时，相关性是目前在较长的时间范围。我们首先证明了我们的方法在估计玩具分布密度方面的有效性，发现与高斯混合模型相比，CANF将KL分歧提高了三分之一，同时仍然适合显式条件反射。然后，我们使用一个公开的家庭用电量数据集，以展示联合概率多步预测CANF的有效性。实证结果表明，条件近似归一化流优于其他方法的多步预测精度，并导致高达10倍的更好的调度决策。我们的实现可以在https://github.com/sisl/JointDemandForecasting上获得。
2022-01-14 cs.LG
Effective Probabilistic Time Series Forecasting with Fourier Adaptive Noise-Separated Diffusion
AMSS, Chinese Academy of Sciences（中国科学院自动化研究所）；AMAP, Alibaba Group（阿里巴巴集团）
本研究提出FALDA概率时间序列预测框架，基于DMRR框架结合傅里叶分解与轻量去噪器DEMA，降低认知不确定性，在六个基准上长期预测表现优于现有方法，且比SOTA点预测方法性能最高提升9%。
2025-05-16 cs.LG
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
VAEneu: A New Avenue for VAE Application on Probabilistic Forecasting
IAV GmbH（IAV有限公司）；DFKI GmbH（德国人工智能研究中心）；University of Kaiserslautern-Landau（凯泽斯劳滕-兰道大学）
提出条件VAE自回归方法VAEneu，以CRPS为损失优化预测似然下界，在12个数据集上超越12个基线，实现锐利且校准良好的单变量多步概率预测。
2024-05-07 cs.AI cs.LG
ProbPNN: Enhancing Deep Probabilistic Forecasting with Statistical Information
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
概率预测对于各种下游应用至关重要，例如业务开发，交通规划和电网平衡。这些概率预测中的许多都是在包含时间驱动周期性的时间序列数据上进行的。然而，现有的概率预测方法没有明确考虑这些周期性。因此，在本文中，我们引入了一种基于深度学习的方法，该方法明确考虑了这些由神经元驱动的周期性。因此，本论文有两个方面的贡献：首先，我们应用统计方法，使用神经驱动的先验知识来创建滚动统计，并将其与神经网络相结合，以提供更好的概率预测。其次，我们通过比较两个数据集上总共包含1000多个时间序列的归一化连续排名概率得分（nCRPS）和归一化弹球损失（nPL），将ProbPNN与最先进的基准进行基准测试。基准测试的结果表明，使用统计预测组件提高了概率预测性能，ProbPNN优于其他深度学习预测方法，同时需要更少的计算成本。
2023-02-06 cs.AI cs.LG
Short-Term Solar Irradiance Forecasting Using Calibrated Probabilistic Models
Stanford University（斯坦福大学）；Open Climate Fix（开放气候修复）；National Center for Atmospheric Research（美国国家大气研究中心）
推进概率太阳能预测方法对于支持太阳能融入电网至关重要。在这项工作中，我们开发了各种最先进的概率模型预测太阳辐照度。我们调查使用事后校准技术，以确保良好校准的概率预测。我们训练和评估的模型使用公共数据从七个站在SURFRAD网络，并证明，最好的模型，NGBoost，实现更高的性能在每小时内的分辨率比最好的基准太阳辐照度预测模型在所有站点。此外，我们表明，NGBoost与CRUDE事后校准实现了相当的性能数值天气预报模型的小时分辨率预报。
2020-10-14 cs.LG stat.AP 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
AutoGluon-TimeSeries: AutoML for Probabilistic Time Series Forecasting
Amazon Web Services（亚马逊云科技）；AWS AI Labs（AWS人工智能实验室）
本文提出开源AutoML库AutoGluon-TimeSeries，通过集成统计与机器学习模型，仅需3行代码即可实现高精度的概率时间序列预测，并在29个基准数据集上超越多种现有方法。
2023-08-10 cs.LG
PaP-NF: Probabilistic Long-Term Time Series Forecasting via Prefix-as-Prompt Reprogramming and Normalizing Flows
Department of Industrial Engineering, Inha University, Incheon, Republic of Korea（韩国Inha大学工业工程系）
提出PaP-NF框架，利用前缀作为提示机制对齐连续时间序列表示与冻结的大语言模型，并基于归一化流解码器生成概率预测，在长期基准上捕获多模态不确定性并保持点预测精度。
2026-05-22 cs.AI cs.LG
A Primer on Kolmogorov-Arnold Networks (KANs) for Probabilistic Time Series Forecasting
Centre Tecnològic de Telecomunicacions de Catalunya (CTTC/CERCA)（加泰罗尼亚电信技术中心（CTTC/CERCA））
本文提出 P-KAN，将 KAN 的样条函数连接与 Gaussian、Student-t 预测分布参数化结合，用于卫星流量概率预测，并以更少参数在准确性、校准和效率—风险权衡上优于 MLP。
2025-10-19 cs.AI cs.LG eess.SP
Investigating Calibration Challenges in Probabilistic Electricity Price Forecasting
Institute for Automation and Applied Informatics（自动化与应用信息学研究所）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文指出当前概率电价预测中评分规则偏向锐度而忽视校准，导致过自信估计，呼吁未来研究转向校准感知的目标和架构。
2026-06-08 cs.LG
Stacking for Probabilistic Short-term Load Forecasting
Czestochowa University of Technology（琴斯托霍瓦工业大学）
本文提出基于Stacking元学习的概率性短期电力负荷预测方法，融合分位数线性回归、分位数回归森林与残差模拟后处理，并设计全局与局部变体，实验验证分位数回归森林最优。
2024-06-15 cs.AI cs.LG
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
Diffusion-LAM: Probabilistic Limited Area Weather Forecasting with Diffusion
Linköping University（林雪平大学）；SMHI（瑞典气象和水文研究所）
本文提出Diffusion-LAM，一种以边界数据为条件的概率有限区域天气模型，并在MEPS数据集上验证了其提供准确概率预报的潜力。
2025-04-10 cs.LG physics.ao-ph
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
Denoising diffusion probabilistic models for probabilistic energy forecasting
Uliege（列日大学）；Réseau de Transport d’Électricité (RTE)（法国输电网络公司）
针对能源预测中生成高质量间歇性可再生能源时间序列样本的需求，首次将去噪扩散概率模型应用于能源预测，经2014年全球能源预测竞赛数据验证，效果与前沿生成模型相当。
2023-04-06 cs.AI cs.LG
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
Tube Loss based Deep Networks For Improving the Probabilistic Forecasting of Wind Speed
DA-IICT（达·拉印度理工学院）
本文利用Tube损失函数构建深度概率预测模型（整合LSTM、GRU、TCN），并设计δ参数调优启发式，在三个风速数据集上实现了更窄且更可靠的预测区间，提升了风速概率预测性能。
2025-05-23 cs.AI cs.LG
GOPHER: Categorical probabilistic forecasting with graph structure via local continuous-time dynamics
Stanford University（斯坦福大学）；Amazon Research（亚马逊研究院）
我们考虑的问题的概率预测的类别与图结构，在一个顶点的动态依赖于其局部连通性结构。我们提出了GOPHER，一种方法，结合了图神经网络与神经ODE的归纳偏差，以捕捉我们的概率预测的内在局部连续时间动态。我们通过与基线模型进行比较来研究这两种归纳偏见的好处，这些模型有助于理清每种偏见的好处。我们发现，捕获的图形结构是至关重要的准确的域内概率预测和更多的样本有效的模型。令人惊讶的是，我们的实验表明，尽管反映了真实的概率动力学，但连续时间演化感应偏置几乎没有带来任何好处。
2021-12-18 cs.LG math.DS
On-line conformalized neural networks ensembles for probabilistic forecasting of day-ahead electricity prices
CNR（国家研究委员会）；University of Parma（帕尔马大学）
本文提出一种在线共形化神经网络集成方法，通过共形推断与在线重校准提升日前电价概率预测的小时覆盖率与概率评分稳定性。
2024-06-10 cs.LG
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
Bayesian Neural Networks with Monte Carlo Dropout for Probabilistic Electricity Price Forecasting
Faculty of Mathematics and Economics（数学与经济学学院）；Ulm University（乌尔姆大学）；Department of Mathematics, Natural and Economic Sciences（数学、自然科学与经济科学系）；Ulm University of Applied Sciences（乌尔姆应用科学大学）
本文提出利用贝叶斯神经网络与蒙特卡罗滴落进行概率电价预测，通过日间模式建模优于传统基准模型。
2025-11-12 cs.LG
Probabilistic Decomposition Transformer for Time Series Forecasting
Southeast University（东南大学）
时间序列预测在灾害预警、天气预报、能源消耗等许多领域都具有重要意义。基于Transformer的模型被认为是序列建模领域的革命。然而，时间序列的复杂时间模式阻碍了模型挖掘可靠的时间依赖。此外，Transformer的自回归形式在推理步骤中引入了累积误差。在本文中，我们提出了概率分解Transformer模型，结合了Transformer与条件生成模型，它提供了复杂的时间序列的层次和可解释的概率预测。Transformer用于学习时间模式并实现初级概率预测，而条件生成模型用于通过引入潜在空间特征表示来实现非自回归分层概率预测。此外，条件生成模型从潜在空间中的概率分布重建序列的典型特征，例如季节性和趋势项，以实现复杂的模式分离并提供可解释的预测。在多个数据集上进行的大量实验证明了该模型的有效性和鲁棒性，表明该模型与现有技术相比具有优势。
2022-10-31 cs.LG
Autoregressive Denoising Diffusion Models for Multivariate Probabilistic Time Series Forecasting
Zalando Research（扎兰多研究院）
在这项工作中，我们提出了\texttt{TimeGrad}，一个自回归模型的多变量概率时间序列预测的样本从数据分布在每个时间步估计其梯度。为此，我们使用扩散概率模型，一类与分数匹配和基于能量的方法密切相关的潜变量模型。我们的模型通过优化数据可能性的变分界限来学习梯度，并在推理时使用Langevin采样通过马尔可夫链将白噪声转换为感兴趣的分布样本。我们的实验表明，所提出的自回归去噪扩散模型是新的国家的最先进的多元概率预测方法在现实世界的数据集与成千上万的相关维度。我们希望这种方法是一个有用的工具，为从业者在这一领域的未来研究奠定了基础。
2021-02-02 cs.AI cs.LG
pTSE: A Multi-model Ensemble Method for Probabilistic Time Series Forecasting
Ant Group（蚂蚁集团）；University of Virginia（弗吉尼亚大学）
针对概率时间序列预测中模型选择依赖数据特征且分布无法直接平均的问题，提出基于隐马尔可夫模型的多模型分布集成方法pTSE，仅利用成员模型输出，理论证明收敛性，实验优于成员模型和现有集成方法。
2023-08-31 cs.LG
Ensemble Conformalized Quantile Regression for Probabilistic Time Series Forecasting
UiT The Arctic University of Norway（挪威北极大学）；Kongsberg Satellite Services（康斯伯格卫星服务公司）；NORCE Norwegian Research Centre（挪威NORCE研究中心）
本文提出了一种新的概率预测方法集成整合分位数回归（EnCQR）。EnCQR构造无分布和近似边缘有效的预测区间（PI），适用于非平稳和异方差时间序列数据。EnCQR可以应用于通用预测模型之上，包括深度学习架构。EnCQR利用自举集成估计，它使使用保形预测的时间序列，消除了数据交换的要求。集成学习器被实现为执行分位数回归的通用机器学习算法，其允许PI的长度适应数据中的局部变化。在实验中，我们预测的时间序列的特点是不同数量的异方差。结果表明，EnCQR优于仅基于分位数回归或共形预测的模型，并且它提供了更清晰，更丰富和有效的PI。
2022-11-06 cs.LG
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
Navigating the Safety-Fidelity Trade-off: Massive-Variate Time Series Forecasting for Power Systems via Probabilistic Scenarios
ZJU-UIUC Institute, Zhejiang University（浙江大学伊利诺伊大学厄巴纳香槟校区联合学院）
针对现有基准无法评估大规模多变量概率预测的安全性与保真度权衡问题，提出包含多达36,964个通道的电力系统基准PowerPhase和场景式分位数预测器PowerForge，在多个网格上取得最佳平均排名。
2026-06-12 cs.LG
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
Probabilistic electrical power demand forecasting with uncertainty quantification
Nepal College of Information Technology（尼泊尔信息技术学院）；Nepal Telecommunications Authority（尼泊尔电信管理局）；Nepal Electricity Authority（尼泊尔电力局）；University of Bergen（卑尔根大学）；Western Norway University of Applied Sciences（挪威西部应用科学大学）
本研究比较了四种概率预测模型，发现NGBoost在电力需求预测中误差最低且不确定性量化校准良好，优于贝叶斯、MC Dropout和GPR模型。
2026-09-29 cs.AI cs.LG
Probabilistic Forecasting via Autoregressive Flow Matching
Department of Machine Learning and Neural Computing, Donders Institute for Brain, Cognition and Behaviour（机器学习与神经计算系，大脑、认知与行为研究所）
本文提出FlowTime模型，通过自回归流匹配实现多变量时间序列的概率预测，结合流匹配框架提升模型性能与不确定性估计。
2026-02-08 cs.LG
Efficient Generative AI Boosts Probabilistic Forecasting of Sudden Stratospheric Warmings
Beijing Normal University（北京师范大学）；Institute of Atmospheric Physics, Chinese Academy of Sciences（中国科学院大气物理研究所）；Zhejiang University（浙江大学）；Chinese Academy of Meteorological Sciences（中国气象科学研究院）；Lanzhou University（兰州大学）
本文提出基于流匹配的生成式AI模型FM-Cast，实现高效且具有竞争力的SSW概率预报，提升平流层动态预测能力。
2026-02-23 cs.LG
WeatherBench Probability: A benchmark dataset for probabilistic medium-range weather forecasting along with deep learning baseline models
Technical University of Munich（慕尼黑工业大学）；ClimateAi, Inc（ClimateAi公司）
WeatherBench是一个基准数据集，用于对位势、温度和降水进行中期天气预报，包括预处理数据、预定义的评估指标和一些基线模型。WeatherBench Probability通过添加一组已建立的概率验证指标（连续排名概率得分，扩展技能比和排名直方图）和使用ECWMF IFS集合预报的最先进的操作基线，将其扩展到概率预报。此外，我们还测试了三种不同的概率机器学习方法--蒙特卡洛退出、参数预测和分类预测，其中概率分布是离散化的。我们发现，简单的蒙特卡罗退出严重低估了不确定性。参数模型和分类模型都能产生质量相似的相当可靠的预测。参数模型的自由度更少，而分类模型在预测非高斯分布时更灵活。没有一个模型能够与业务IFS模型的技能相匹配。我们希望这个基准将使其他研究人员能够评估他们的概率方法。
2022-05-02 cs.LG physics.ao-ph
Multivariate Forecasting of Bitcoin Volatility with Gradient Boosting: Deterministic, Probabilistic, and Feature Importance Perspectives
Faculty of Electrical Engineering, Czestochowa University of Technology（电子工程学院，捷斯托霍瓦技术大学）；Faculty of Computer Science and Artificial Intelligence, Czestochowa University of Technology（计算机科学与人工智能学院，捷斯托霍瓦技术大学）
本文利用LGBM模型从确定性和概率性角度预测比特币波动率，并通过特征重要性分析识别波动驱动因素。
2025-11-25 cs.LG
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
On the use of Probabilistic Forecasting for Network Analysis in Open RAN
Centre Technologic de Telecomunicacions de Catalunya (CTTC/CERCA)（加泰罗尼亚电信技术中心（CTTC/CERCA））
本文提出在Open RAN架构中将概率预测技术用作rApp，用于估计基站PRB利用率和资源需求，实验证明DeepAR等概率预测方法优于LSTM等单点预测方法，提供更准确可靠的估计。
2024-07-19 cs.AI cs.DC cs.IT
Temporal Latent Auto-Encoder: A Method for Probabilistic Multivariate Time Series Forecasting
IBM Research（IBM研究院）
高维多变量时间序列的概率预测是一个众所周知的具有挑战性的任务，无论是在计算负担和分布建模。大多数以前的工作要么做简单的分布假设或放弃建模交叉系列的相关性。一个有前途的工作线利用可扩展矩阵分解进行潜在空间预测，但仅限于线性嵌入，无法建模分布，并且在使用深度学习预测时无法进行端到端的训练。我们介绍了一种新的时间潜在自动编码器方法，该方法能够对多变量时间序列进行非线性因式分解，并使用时间深度学习潜在空间预测模型进行端到端学习。通过施加概率潜在空间模型，输入序列的复杂分布通过解码器建模。大量的实验表明，我们的模型在许多流行的多变量数据集上实现了最先进的性能，对于几个标准指标，增益有时高达$50\%$。
2021-01-25 cs.AI cs.LG cs.NE
Context-Aware Probabilistic Modeling with LLM for Multimodal Time Series Forecasting
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
针对现有多模态时间序列预测方法难以融合外源文本、适配LLM概率特性的问题，提出CAPTime方法，通过时序编码、文本-时序对齐及分布专家混合与冻结LLM结合，实现更优的上下文感知概率预测效果与数据稀缺场景鲁棒性。
2025-07-29 cs.AI cs.LG
