Supervised low-rank semi-nonnegative matrix factorization with frequency regularization for forecasting spatio-temporal data
POSTECH(浦项科技大学);University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
本研究提出带频域软/硬正则化的监督半非负矩阵分解方法用于时空数据预测,可提升时间模式清晰度与频域可解释性,在GRACE数据上效果与现有研究相当且解释性更强。
2024-06-19 cs.LG stat.ML
Low-Rank Autoregressive Tensor Completion for Multivariate Time Series Forecasting
McGill University(麦吉尔大学)
时间序列预测是一个长期的研究课题,在许多领域都有重要的应用。从传感器网络收集的现代时间序列(例如,能量消耗和交通流量)通常是大规模的和不完整的,具有相当大的破坏和缺失值,使得难以执行准确的预测。在本文中,我们提出了一个低秩自回归张量完成(LATC)框架来建模多元时间序列数据。LATC的关键是将原始多变量时间序列矩阵(例如,传感器$\times$时间点)到三阶张量结构(例如,传感器$\times$一天中的时间$\times$一天),这允许我们将时间序列的固有节奏和季节性建模为全局模式。利用张量结构,我们可以将时间序列预测和缺失数据填补问题转化为一个通用的低秩张量补全问题。除了最小化张量秩,我们还集成了一个新的自回归范数的原始矩阵表示到目标函数。这两个组成部分发挥不同的作用。低秩结构使我们能够有效地捕捉所有三个维度的全球一致性和趋势(即,传感器之间的相似性、不同日期的相似性以及当前时间与历史上的同一天)。自回归范数可以更好地模拟局部时间趋势。我们在三个真实数据集上的数值实验表明,在缺失数据插补和滚动预测任务中,LATC中全局和局部趋势的集成具有优越性。
2020-06-18 cs.LG stat.ML
Block Hankel Tensor ARIMA for Multiple Short Time Series Forecasting
Huawei Noah’s Ark Lab(华为诺亚方舟实验室);Tongji University(同济大学);The University of Hong Kong(香港大学);The Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院);Nagoya Institute of Technology(名古屋工业大学);RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心)
本文提出了一种新的多时间序列预测方法。首先,采用多路延迟嵌入变换(MDT)将时间序列表示为低秩块汉克尔张量(BHT)。然后,高阶张量投影压缩核张量通过应用塔克分解。同时,广义张量自回归积分移动平均(ARIMA)显式地用于连续的核心张量来预测未来的样本。通过这种方式,所提出的方法在战术上将MDT张量化(利用相互相关性)和张量ARIMA与低秩Tucker分解结合到一个统一的框架中。该框架利用块汉克尔张量在嵌入空间中的低秩结构,捕捉多个TS之间的内在相关性,从而可以改善预测结果,特别是对于多个短时间序列。在三个公共数据集和两个工业数据集上的实验表明,与现有方法相比,BHT-ARIMA方法有效地提高了预测精度,降低了计算成本。
2020-02-25 cs.LG eess.SP stat.ML
Fixing the Pitfalls of Probabilistic Time-Series Forecasting Evaluation by Kernel Quadrature
Lattice Lab, Toyota Motor Corporation / Machine Learning Research Group, University of Oxford(丰田公司 lattice 实验室 / 机器学习研究组,牛津大学);The University of Osaka / Lattice Lab, Toyota Motor Corporation / RIKEN AIP(大阪大学 / 丰田公司 lattice 实验室 / RIKEN AIP);Machine Learning Research Group, University of Oxford(机器学习研究组,牛津大学)
针对概率时间序列预测中CRPS常用估计器存在固有偏差并导致模型排序不当的问题,提出利用无偏估计器与求容积构造的核求积方法,实现更准确且可扩展的CRPS计算。
2025-07-24 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
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
Multi-output Ensembles for Multi-step Forecasting
Dalhousie University(达尔豪斯大学)
本文研究了多输出模型集成在多步超前预测中的应用,通过3568个时间序列和30个模型的实验发现,基于仲裁和加窗的动态集成表现最佳,但随着预测期增加,多数方法难以超越等权静态集成。
2023-06-26 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
A Critical Audit of Spatiotemporal Forecasting Benchmark Datasets and Models
Imperial College London(帝国理工学院);Ruhr University Bochum(鲁尔大学波鸿分校);Queen Mary University of London(伦敦玛丽女王大学);Ben-Gurion University of the Negev(内盖夫本-古里安大学)
本文审查了时空预测领域的基准数据集与基线,发现空间无关线性模型表现优于预期,揭示了一阶差分数据集的结构偏差,建议减少对这类数据集的依赖并提出了应用分析结果开发GNN模型的新途径。
2026-10-07 cs.LG stat.ML
Memory and forecasting capacities of nonlinear recurrent networks
Centre National de la Recherche Scientifique (CNRS)(法国国家科学研究中心)
存储容量的概念,最初介绍了回声状态和线性网络与独立的输入,推广到非线性递归网络与固定的,但依赖的输入。输入中的依赖性的存在使得引入网络预测能力变得自然,该网络预测能力测量使用网络状态预测时间序列值的可能性。记忆和预测能力的通用界制定的非线性经常性网络的神经元的数量和自协方差函数或输入的谱密度。这些界限推广了文献中的相关输入设置的众所周知的估计。最后,对于具有独立输入的线性递归网络的特殊情况,证明了存储容量由相关可控性矩阵的秩给出,这是一个长期以来一直被认为是真实的事实,但没有得到证明。
2020-09-02 cs.LG cs.NE math.OC
Hierarchical forecasting with a top-down alignment of independent level forecasts
Matthias Anderer GmbH(Matthias Anderer有限公司);Central University of Finance and Economics(中央财经大学)
间歇性时间序列的分层预测在研究和实证研究中都是一个挑战。广泛的研究集中在提高每个层次的准确性,特别是在底层的间歇性时间序列。然后可以使用分层协调来进一步提高整体性能。在本文中,我们提出了一个\emph{hierarchical-forecasting-with-alignment}的方法,把底层的预测作为可变的,以确保更高的预测精度的层次结构的上层。我们采用纯深度学习预测方法N-BEATS用于顶层的连续时间序列,并采用广泛使用的基于树的算法LightGBM用于底层的间歇性时间序列。\emph{hierarchical-forecasting-with-alignment}方法是自下而上方法的一个简单而有效的变体,可以解释在底层难以观察到的偏差。它允许在较低水平上进行次优预测,以保持较高的总体性能。本实证研究中的方法是由第一作者在M5预测准确性竞赛中开发的,排名第二。该方法也是面向业务的,可以有利于企业战略规划。
2021-12-31 cs.LG stat.AP stat.ML
Forecast Collapse in Time-Series Foundation Models
Abel AI Lab(阿贝尔人工智能实验室);Arizona State University(亚利桑那州立大学);University of Oxford(牛津大学)
针对1000只美股每小时收益预测出现的预测崩溃现象,本文分析其成因,提出CalibRank目标函数平衡校准与排名,在Finance1K上提升了截面相关性。
2026-08-17 cs.AI cs.CE cs.LG
Designing Time-Series Models With Hypernetworks & Adversarial Portfolios
CERGE-EI(经济研究与研究生教育中心—经济学院);Charles University(查理大学)
本文提出利用 hypernetworks 设计参数化元学习模型解决时间序列预测问题,并结合 Adversarial Portfolios 策略调整投资组合权重,在 M6 竞赛中斩获总排名第 1。
2024-07-29 cs.LG q-fin.PM stat.ME
Short-Term Forecasting of Passenger Demand under On-Demand Ride Services: A Spatio-Temporal Deep Learning Approach
Hong Kong University of Science and Technology(香港科技大学);Zhejiang University(浙江大学)
短期乘客需求预测对按需乘车服务平台至关重要,它可以激励空置车辆从供应过剩地区转移到需求过剩地区。然而,需要同时考虑空间依赖性、时间依赖性和外生依赖性,这使得短期客运需求预测具有挑战性。我们提出了一种新的深度学习(DL)方法,称为融合卷积长短期记忆网络(FCL-Net),以解决这三个依赖性在一个端到端的学习架构。该模型由多个卷积长短期记忆(LSTM)层、标准LSTM层和卷积层堆叠和融合。卷积技术和LSTM网络的融合使所提出的DL方法能够更好地捕获解释变量的时空特征和相关性。一个定制的空间聚集的随机森林的解释变量的重要性排名。然后将排序用于特征选择。提出的DL方法被应用到乘客需求的短期预测下,按需乘车服务平台在中国杭州。在迪迪出行提供的真实数据上验证的实验结果表明,FCL-Net的预测性能优于传统方法,包括经典的时间序列预测模型和基于神经网络的算法(例如,人工神经网络和LSTM)。本文是第一个DL研究预测短期乘客需求的按需乘车服务平台,通过检查时空相关性。
2017-06-20 cs.LG
Time series model selection with a meta-learning approach; evidence from a pool of forecasting algorithms
Lancaster University(兰卡斯特大学);Technical University of Ostrava(俄斯特拉发技术大学);Sharif University of Technology(谢里夫理工大学)
时间序列预测中最具挑战性的问题之一是如何找到最佳算法。近年来,推荐系统方案已经被开发用于使用元学习方法的时间序列分析。该系统结合时间序列的特点选择最佳的预测方法。在本文中,我们提出了一种新的方法,专注于一些未回答的问题,使用元学习在时间序列预测。因此,在以前的作品中,三个主要的差距,包括解决,分析各种子集的顶级预测元学习器的输入;评估预测误差的措施的效果;和评估的作用的特征空间的维数对元学习器的预测误差。所有这些目标都是在各种最先进的预测人员和元学习者的帮助下实现的。为此,首先,在NN 5竞争数据集上实现预测算法池,并基于两个误差度量进行排名。然后,在时间序列的提取特征上训练六个被称为元学习器的机器学习分类器,以便为预测器池的各个子集分配最合适的预测方法。此外,为了研究特征空间维数对元学习器性能的影响,本文还实现了两维约简方法。一般来说,元学习器能够击败所有的基准预测器;即使在应用特征选择方法之后,这种性能也得到了改善。
2019-08-22 cs.LG stat.ML
Are We Winning the Wrong Game? Revisiting Evaluation Practices for Long-Term Time Series Forecasting
本文探讨了长期时间序列预测评估中以指标为中心的模式问题,提出多维评估视角以促进更符合实际需求的预测方法。
2026-03-09 cs.LG stat.ML
Transposed Variational Auto-encoder with Intrinsic Feature Learning for Traffic Forecasting
University of Science and Technology of China(中国科学技术大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
在这份技术报告中,我们提出了我们的解决方案,以应对2022年的核心挑战和扩展挑战。在本次比赛中,参赛者需要根据前一小时的车辆计数器数据预测未来15分钟的交通状况。与同系列的其他比赛相比,今年的比赛侧重于不同数据源的预测和稀疏点到边的泛化。为了解决这些问题,我们引入了转置变分自动编码器(TVAE)模型来重建丢失的数据和图形注意力网络(GAT)来加强学习表示之间的相关性。我们进一步应用特征选择来从不同但容易获得的数据中学习交通模式。我们的解决方案在最终排行榜上的两项挑战中均排名第一。源代码可从\url{https://github.com/Daftstone/Traffic4cast}获得
2022-12-15 cs.AI cs.LG
Learning Quantile Functions without Quantile Crossing for Distribution-free Time Series Forecasting
Amazon Research(亚马逊研究院);Emory University(埃默里大学)
分位数回归是一种有效的技术,可以量化不确定性,拟合具有挑战性的潜在分布,并且通常通过多个分位数水平的联合学习提供完整的概率预测。然而,这些联合分位数回归的一个共同缺点是\textit{quantile crossing},它违反了条件分位数函数的理想单调性。在这项工作中,我们提出了增量(样条)分位数函数I(S)QF,一个灵活而有效的分布自由分位数估计框架,解决了分位数交叉与一个简单的神经网络层。此外,I(S)QF内插/外推以预测与基础训练不同的任意分位数水平。配备了I(S)QF表示的连续排序概率得分的分析评估,我们将我们的方法应用于基于NN的时间序列预测案例,其中节省了非训练分位数水平的昂贵的再训练成本特别显着。我们还提供了一个泛化误差分析,我们提出的方法下的序列到序列设置。最后,大量的实验表明,改善的一致性和准确性误差比其他基线。
2022-02-23 cs.LG stat.ML
FiLM: Frequency improved Legendre Memory Model for Long-term Time Series Forecasting
最近的研究表明,RNN和Transformers等深度学习模型为时间序列的长期预测带来了显著的性能提升,因为它们有效地利用了历史信息。然而,我们发现,在如何保留神经网络中的历史信息,同时避免对历史中存在的噪声过拟合方面,仍然有很大的改进空间。解决这个问题可以更好地利用深度学习模型的功能。为此,我们设计了一个\textbf{F}-\textbf{i}改进的\textbf{L} egendre \textbf{M}记忆模型,或{ \bf FILM}:它应用勒让德多项式投影来近似历史信息,使用傅立叶投影来去除噪声,并添加低秩近似来加速计算。我们的实证研究表明,所提出的薄膜显着提高了国家的最先进的模型在多变量和单变量长期预测的准确性(\textbf{20.3\%},\textbf{22.6\%}),分别。我们还证明了在这项工作中开发的表示模块可以用作通用插件,以提高其他深度学习模块的长期预测性能。代码可在https://github.com/tianzhou2011/FiLM/上获得
2022-09-16 cs.LG stat.ML
SPINEX-TimeSeries: Similarity-based Predictions with Explainable Neighbors Exploration for Time Series and Forecasting Problems
University of Manitoba(曼尼托巴大学);Clemson University(克莱姆森大学);Artificial Intelligence Research Institute for Science and Engineering (AIRISE), Clemson University(克莱姆森大学科学与工程人工智能研究院(AIRISE))
该研究提出面向时间序列预测的SPINEX新算法,利用多尺度相似性与高阶时间交互提升性能,在49个数据集上对比18种算法,精度稳居前5且具备可解释性与中等复杂度,为预测分析提供新方向。
2024-08-04 cs.LG stat.CO stat.ME
Active Region-based Flare Forecasting with Sliding Window Multivariate Time Series Forest Classifiers
Georgia State University(佐治亚州立大学)
本研究提出基于滑动窗口的多元时间序列森林分类器,用于太阳耀斑预报,兼顾高精度(TSS>85%)与可解释性,并识别关键特征子区间。
2024-02-05 astro-ph.SR cs.LG stat.AP
Why Model Selection Fails in Time Series Forecasting: An Empirical Study of Instability Across Data Regimes
University of California Riverside, Bourns College of Engineering(加州大学河滨分校伯恩斯工程学院)
本文通过分析数据制度描述符与模型性能的关系,揭示了基于规则的模型选择在时间序列预测中的不稳定性,指出模型性能对数据特征和预测时间跨度高度敏感,需更适应性的数据驱动策略。
2026-05-02 eess.SP stat.ME stat.ML
Forecasting High Dimensional Time Series with Dynamic Dimension Reduction
Universidad Carlos III de Madrid(马德里卡洛斯三世大学);Universidad de Buenos Aires(布宜诺斯艾利斯大学)
针对现有降维技术无法解释时间序列动态依赖的问题,提出集成动态降维与正则化的高维时间序列预测通用框架,涵盖多种经典方法并首次引入两类时域分析特例,经模拟与经济数据集验证有效。
2025-09-23 math.ST stat.ME stat.TH
Probabilistic forecasting via post-processing prediction errors: In- or out-of-sample?
Wrocław University of Science and Technology(弗罗茨瓦夫科技大学);University of Bath(巴斯大学)
该研究提出结合预测误差后处理与模型特定不确定性缩放的混合概率预测框架,在 M4 竞赛数据集上验证后处理方法可提升预测分布性能,且样本内校准多数场景优于样本外,为机构扩展点预测系统提供高效不确定性量化方案。
2026-08-12 stat.AP
Forecasting and Analyzing the Military Expenditure of India Using Box-Jenkins ARIMA Model
经济数据统计方法领域的进步为迫切需要制定有效的军事管理政策铺平了道路。印度在2019年的军费开支方面排名第三。因此,本研究的目的是利用Box-Jenkins ARIMA模型的时间序列预测印度的军事开支在未来的时间。该模型是在SIPRI数据集上生成的,该数据集是从1960年到2019年的60年印度军费开支。对趋势进行了分析,以生成最适合预测的模型。该研究突出了最小AIC值,并涉及ADF测试(增强的Dickey-Fuller)将支出数据转换为静态形式以生成模型。它还着重于绘制有效预测的残差分布。本文提出了一个ARIMA(0,1,6)模型对印度军费开支进行最优预测,准确率为95.7%。因此,该模型作为移动平均(MA)模型,并预测到2024年印度军费开支的稳态指数增长率为36.94%。
2020-11-10 econ.GN q-fin.EC stat.AP
Distributional Modeling and Forecasting of Natural Gas Prices
我们研究的问题,建模和预测欧洲日前和前一个月的天然气价格。为此,我们提出了两个不同的概率模型,可用于风险和投资组合管理。我们使用2011年至2020年的每日定价数据。广泛的描述性数据分析表明,这两个时间序列的特征重尾,条件异方差,并显示出不对称的行为,在他们的差异。我们提出了状态空间时间序列模型下的倾斜,重尾分布,以捕捉所有程式化的事实的数据。它们包括自相关性,季节性,风险溢价,温度,存储水平,欧洲排放配额的价格以及石油,煤炭和电力等相关燃料价格的影响。我们提供严格的模型诊断,并详细解释所有模型组件。此外,我们进行了概率预测研究与显着性检验和比较的预测性能与文献基准。与表现最好的基准模型相比,建议的提前一天(提前一个月)模型导致样本外连续排名概率得分(CRPS)降低了13%(9%),这主要是由于对波动性和重尾进行了充分的建模。
2021-08-06 q-fin.RM q-fin.ST stat.AP
Asymmetric Penalties Underlie Proper Loss Functions in Probabilistic Forecasting
本文证明了一大类适当的损失函数具有非对称惩罚特性,涵盖对数、连续分级概率等流行损失,并通过真实数据实验表明该特性在分布偏移下使对冲成为可能。
2025-05-02 math.ST stat.TH
Dimensionality Collapse: Optimal Measurement Selection for Low-Error Infinite-Horizon Forecasting
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文针对向量值时间序列的远期预测问题,提出以预测 CRLB 时间平均迹为代价的无限时域最优线性测量选择方法,并利用系统未来维度坍缩特性构造等价降维问题,在仿真中验证了 CRLB 随坍缩维数线性改善。
2023-03-27 cs.LG cs.SY eess.SP
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
Semiparametric forecasting and filtering: correcting low-dimensional model error in parametric models
半参数预测和滤波作为一种方法,解决未解决的物理现象所产生的模型误差。虽然传统的参数模型能够从小数据集学习高维系统,但其刚性的参数结构使其容易受到模型错误的影响。另一方面,非参数模型具有非常灵活的结构,但它们遭受维数灾难,并且对于高维系统不实用。半参数方法通过为参数拟合数据驱动的非参数模型来放松参数模型的结构。给定参数动态模型和历史观测的噪声数据集,使用自适应卡尔曼滤波器来提取参数值的时间序列。通过将离散位移映射投影到数据驱动的光滑函数基上,建立了参数的非参数预测模型。现有的滤波技术和预测算法自然扩展到半参数模型,它可以有效地补偿模型误差,预测技巧接近完美模型。半参数预测和滤波是统计半参数模型在动态系统下演化的时变分布的推广。
2015-02-03 stat.ME
Structured low-rank matrix completion for forecasting in time series analysis
Cardiff University(卡迪夫大学);CNRS(法国国家科学研究中心)
本文研究了低秩矩阵补全问题,应用于时间序列预测。基于Hankel矩阵的补全方法和核范数松弛,通过理论和实验证明了适当选择已知观测加权方案的重要性。
2018-02-22 cs.NA cs.SY eess.SY
Incremental Bayesian tensor learning for structural monitoring data imputation and response forecasting
Northeastern University(东北大学);McGill University(麦吉尔大学);MIT(麻省理工学院)
由于传感器故障引起的传感不连续性,缺失传感器数据填补在结构健康监测(SHM)领域中普遍存在。为了解决这个基本问题,本文提出了一种增量贝叶斯张量学习方法,用于SHM中时空缺失数据的重建和结构响应的预测。特别是,首先构建时空张量,然后进行贝叶斯张量因子分解,提取潜在的功能缺失数据填补。为了使结构响应预测的基础上不完整的传感数据,张量分解进一步集成与向量自回归增量学习计划。所提出的方法的性能进行了验证连续的现场传感数据(包括应变和温度记录)的混凝土桥梁,应变时间历程是高度相关的温度记录的假设的基础上。结果表明,所提出的概率张量学习方法是准确的和强大的,即使在存在较大的随机缺失率,结构化缺失和它们的组合。秩的选择的插补和预测性能的影响进行了研究。结果表明,对于随机缺失,秩越高,估计精度越高;对于结构性缺失,秩越低,估计精度越高。
2020-07-17 cs.LG cs.NA math.NA
When a High Score Is an Illusion: Certifying Genuine versus Repackaged Forecasting Skill
University College London(伦敦大学学院);University of Luxembourg(卢森堡大学)
本研究证明重复使用观测数据会虚增预测技能评分,提出保持关联的分配条件及无偏估计方法,并在空气质量数据中验证交互项占比高,不同参考可大幅减少误拒绝。
2026-09-18 stat.ME stat.ML
Short-Term Density Forecasting of Low-Voltage Load using Bernstein-Polynomial Normalizing Flows
HTWG Konstanz - University of Applied Sciences(康斯坦茨应用科学大学HTWG);TU Berlin(柏林工业大学);Birds on Mars GmbH(火星上的鸟有限公司);University of Zurich(苏黎世大学);Zurich University of Applied Sciences(苏黎世应用科学大学);Bosch.IO GmbH(博世物联网有限公司)
针对低压负荷预测波动性大、传统点估计难以体现不确定性的问题,提出基于Bernstein多项式归一化流的短期密度预测方法,经363个智能电表用户验证,效果优于多种基线方法。
2023-06-15 cs.LG stat.AP stat.ME