Persistence Initialization: A novel adaptation of the Transformer architecture for Time Series Forecasting
Norwegian University of Science and Technology(挪威科技大学)
时间序列预测是一个重要的问题,有许多现实世界的应用。深度神经网络的集成最近已经实现了令人印象深刻的预测准确性,但是这样大的集成在许多现实世界的设置中是不切实际的。Transformer模型已成功应用于各种具有挑战性的问题。我们提出了一个新的适应原来的Transformer架构,专注于时间序列预测的任务,称为持久性?该模型初始化为一个朴素的持久化模型,通过使用一个乘法门控机制结合剩余跳过连接。我们使用具有ReZero标准化和旋转位置编码的解码器Transformer,但是适应适用于任何自回归神经网络模型。我们评估我们提出的架构上具有挑战性的M4数据集,实现竞争力的性能相比,集成为基础的方法。我们还比较了现有的最近提出的Transformer模型的时间序列预测,表现出优越的性能M4数据集。广泛的消融研究表明,持久性神经网络导致更好的性能和更快的收敛。随着模型大小的增加,只有我们提出的自适应模型在性能上有所提高。我们还进行了额外的消融研究,以确定选择的归一化和位置编码的重要性,并发现使用旋转编码和ReZero归一化是必不可少的良好的预测性能。
2022-08-30 cs.AI cs.LG
XXLTraffic: Expanding and Extremely Long Traffic forecasting beyond test adaptation
University of New South Wales(新南威尔士大学)
XXLTraffic是一个大规模交通数据集,用于支持超越测试适应的极长交通预测研究。
2025-12-02 cs.AI cs.LG
Nonstationary Time Series Forecasting via Unknown Distribution Adaptation
Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Guangdong University(广东大学);Carnegie Mellon University(卡内基梅隆大学);Shantou University(汕头大学)
本文提出未知分布自适应(UDA)模型,通过隐马尔可夫假设识别隐环境并解耦平稳/非平稳隐变量,结合变分自编码器与模块化先验网络,实现非平稳时间序列预测中的自动自适应。
2025-03-10 cs.LG
MUSE: Dependency-Aware Adaptation of a Frozen Vision Backbone for Multivariate Time Series Forecasting
East China Normal University(华东师范大学)
MUSE提出依赖感知适配框架,基于冻结的MAE视觉骨干,通过VCR和TPR模块建模跨变量与跨周期依赖,在10个数据集上取得最先进预测性能。
2026-09-22 cs.LG
TREA-Net: A Transferable Residual Epidemiological Adaptation Network for Dengue Incidence Forecasting
针对新监测系统数据不足的登革热预测问题,提出TREA-Net模型,结合环境时间序列SIR模型与轻量门控残差修正,跨区域迁移知识,在多数据集上提升预测性能,是适用于数据有限机构的预警框架。
2026-07-30 cs.LG q-bio.QM
Stacked Boosters Network Architecture for Short Term Load Forecasting in Buildings
VTT Technical Research Centre of Finland(芬兰VTT技术研究中心)
本文提出了一种新的深度学习架构,用于建筑物能源负荷的短期负荷预测。该架构基于一个简单的基础学习器和多个增强系统,这些系统被建模为单个深度神经网络。该架构将原始的多变量时间序列转换为多个级联的单变量时间序列。结合稀疏交互、参数共享和等变表示,这种方法可以对抗过拟合,同时仍然可以通过深度网络架构实现良好的表示能力。该架构进行了评估,在几个短期负荷预测任务的能源数据从办公楼在芬兰。所提出的架构优于国家的最先进的负荷预测模型在所有的任务。
2020-04-16 cs.LG stat.ML
Learning Fast and Slow for Online Time Series Forecasting
Singapore Management University(新加坡管理大学);Salesforce Research Asia(赛富时亚洲研究院)
深度神经网络在非平稳环境中的快速适应能力对于在线时间序列预测至关重要。成功的解决方案需要处理对新的和重复出现的模式的更改。然而,动态训练深度神经预测器是非常具有挑战性的,因为它们适应非平稳环境的能力有限,并且会对旧知识产生灾难性遗忘。在这项工作中,受互补学习系统(CLS)理论的启发,我们提出了快速和慢速学习网络(FSNet),一个整体的框架,在线时间序列预测,同时处理突变和重复模式。特别是,FSNet通过动态平衡对最近变化的快速适应和检索类似的旧知识来改善缓慢学习的骨干。FSNet通过适配器的两个互补组件之间的交互来实现这种机制,以监视每个层对丢失的贡献,以及支持记住,更新和调用重复事件的关联存储器。在真实和合成数据集上进行的大量实验验证了FSNet对新模式和重复模式的有效性和鲁棒性。我们的代码可在\url{https://github.com/salesforce/fsnet}上获得。
2022-10-17 cs.LG stat.ML
Proactive Model Adaptation Against Concept Drift for Online Time Series Forecasting
Shanghai Jiao Tong University(上海交通大学)
Proceed 提出一种前瞻性模型适应框架,通过估计和转换概念漂移,提升在线时间序列预测对概念漂移的抗性。
2025-12-18 cs.AI cs.CE cs.LG
A physics-based domain adaptation framework for modelling and forecasting building energy systems
The Alan Turing Institute(阿兰·图灵研究所);University of Cambridge(剑桥大学);Imperial College London(伦敦帝国学院)
针对机器学习建筑能源模型泛化性不足的问题,提出结合LTI状态空间模型与子空间域适应的新框架,通过对齐物理与数据子空间实现未观测时间步预测,在热传导场景验证了机理模型的跨域可迁移性。
2023-05-02 cs.LG stat.ML
PSformer: Parameter-efficient Transformer with Segment Attention for Time Series Forecasting
Tsinghua University(清华大学);Peng Cheng Laboratory(鹏城实验室);Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)(广东省人工智能与数字经济实验室(深圳))
针对时间序列预测中高维数据和长期依赖的挑战,提出PSformer模型,通过参数共享减少训练参数并引入时空分段注意力捕捉局部依赖,在基准数据集上准确性和可扩展性优于现有方法。
2025-02-11 cs.AI cs.LG
GARCH-FIS: A Hybrid Forecasting Model with Dynamic Volatility-Driven Parameter Adaptation
本文提出GARCH-FIS模型,通过融合模糊推理系统与GARCH模型,动态适应波动性变化,提升多步预测精度与稳定性。
2026-03-16 cs.LG
Transferable Time-Series Forecasting under Causal Conditional Shift
Guangdong University of Technology(广东工业大学);Peng Cheng Laboratory(鹏城实验室);Shantou University(汕头大学);Carnegie Mellon University(卡内基梅隆大学)
本文提出一种基于因果条件偏移假设的端到端模型,用于半监督时间序列预测域适应,可发现跨域格兰杰因果结构,实现准确可解释的预测。
2023-09-06 cs.LG
How Evaluation Choices Shape the Measured Benefit of Online Adaptation in Time-Series Forecasting: Warmup, Learning-Rate Selection, and Adaptation-State Memory
Keio University(庆应义塾大学)
该研究针对边缘时间序列预测,通过无泄漏评估明确了预热预算、优化器学习率选择等因素对在线自适应收益的影响,提出仅验证的调试流程,为边缘场景的时间序列预测自适应提供了关键指导。
2026-11-17 cs.LG
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
The Premise Is the Problem: Exchangeability Failure in Self-Monitored Test-Time Adaptation
University of Washington(华盛顿大学)
本文揭示自监控测试时自适应中,因预测误差重叠与依赖破坏可交换性假设,导致误报警且自适应掩盖变化,强调需检查假设并对比冻结模型。
2026-10-07 cs.LG stat.ML
ForecastNet: A Time-Variant Deep Feed-Forward Neural Network Architecture for Multi-Step-Ahead Time-Series Forecasting
Data61, CSIRO(澳大利亚联邦科学与工业研究组织Data61);Agriculture & Food, CSIRO(澳大利亚联邦科学与工业研究组织农业与食品部)
递归和卷积神经网络是深度学习文献中用于时间序列预测的最常见架构。这些网络通过在时间或空间上重复具有固定参数的一组固定架构来使用参数共享。其结果是,整个架构是时不变的(在空间域中的平移不变)或静止的。我们认为,时间不变性可以降低执行多步预测的能力,其中需要在一系列尺度和分辨率下对动态进行建模。我们提出了ForecastNet,它使用深度前馈架构来提供时变模型。ForecastNet的另一个新颖之处是交错输出,我们显示它有助于减轻消失的梯度。ForecastNet在几个数据集上的表现优于统计和深度学习基准模型。
2020-06-27 cs.LG stat.ML
Test-Time Adaptation for Non-stationary Time Series: From Synthetic Regime Shifts to Financial Markets
Department of Statistics & Operations Research, UNC Chapel Hill(统计与运筹学系,UNC夏洛特山)
本文提出了一种小规模测试时适应框架,用于非平稳时间序列的因果预测和方向分类,在合成数据和金融市场中验证了其有效性。
2026-01-20 cs.LG q-fin.ST stat.ML
Parameter-Efficient Adaptation of Pretrained Language Models for Time-Series Forecasting
University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院);University of Cambridge(剑桥大学)
本研究提出参数高效框架,将预训练语言模型适配于时间序列预测,通过连续块嵌入优于文本提示,仅更新不到1%参数即达专业架构精度。
2026-09-15 cs.AI cs.CL cs.LG
Recurrent Autoencoder with Skip Connections and Exogenous Variables for Traffic Forecasting
Polytechnic University of Catalonia(加泰罗尼亚理工大学)
移动性的日益复杂性加上城市人口的不断增长,以及共享车辆或任何设备数据时隐私的重要性,使得使用基础设施和公民数据的交通预测成为一项开放且具有挑战性的任务。在本文中,我们介绍了一种新的方法来处理预测的速度,体积和主要的交通方向,在一个新的聚合方式的交通数据作为视频。该方法利用帧序列的连续性及其动态性,学习预测低维空间中的变化区域,然后在重建原始空间时恢复静态特征。模型中还加入了天气、时间和日历等外生变量。此外,我们引入了一种新的序列采样方法,以确保在创建批次时的多样性,与优化过程并行运行。
2019-10-28 cs.LG stat.ML
Learning Data-Driven Uncertainty Set Partitions for Robust and Adaptive Energy Forecasting with Missing Data
Department of Electrical and Electronic Engineering, Imperial College London(帝国理工学院电子与电气工程系);Center for Processes, Renewable Energy and Energy Systems (PERSEE), Mines Paris, PSL University(进程、可再生能源与能源系统中心(PERSEE),巴黎 Mines,PSL 大学)
本文结合自适应鲁棒优化与对抗机器学习,提出基于线性和神经网络的自适应预测模型及数据驱动不确定性集划分算法,有效应对特征缺失下的短期能源预测,在长时缺失场景下显著优于插补法。
2025-06-27 cs.LG stat.ML
Domain Adaptation for Industrial Time-series Forecasting via Counterfactual Inference
提出因果域适应(CDA)预测器,通过反事实推断和基于答案的注意力机制,解决工业时间序列少样本预测与决策混淆问题,并在油田数据集上验证了跨域预测有效性。
2024-07-19 cs.IT cs.LG math.IT
Spatio-Temporal Neural Networks for Space-Time Series Forecasting and Relations Discovery
Sorbonne Universités, UPMC Univ Paris 06, CNRS, LIP6 UMR 7606(索邦大学、巴黎第六大学、法国国家科学研究中心、巴黎第六大学计算机科学实验室(UMR 7606));Vedecom Institute(维德科姆研究所)
我们引入了一个动态时空模型,形式化为一个递归神经网络,用于预测空间过程的时间序列,即一系列共享时间和空间依赖关系的观测。该模型通过结构化的潜在动态组件学习这些依赖关系,而解码器则从潜在表示中预测观察结果。我们考虑这个模型的几个变体,对应于不同的先验假设的空间关系之间的系列。该模型进行评估,并比较国家的最先进的基线,对各种预测问题的代表不同的应用领域:流行病学,地理空间统计和汽车交通预测。除了这些评价,我们还描述了实验表明这种方法提取相关的空间关系的能力。
2018-04-23 cs.LG stat.ML
KALEIDO: Input-Space Adaptation of a Vision Model for Time-Series Forecasting Through Gated Fold Geometries
Northwestern University(西北大学);Ohio State University(俄亥俄州立大学);Bosch Research North America(博世北美研究院)
Kaleido通过自适应输入渲染几何(折叠方式)并门控融合修复结果,仅训练0.05%参数,显著提升视觉模型在时间序列零样本预测上的精度。
2026-10-06 cs.CV cs.LG
Sparse Transformer with Local and Seasonal Adaptation for Multivariate Time Series Forecasting
University of Nevada, Reno(内华达大学雷诺分校);Missouri State University(密苏里州立大学);East Carolina University(东卡罗来纳大学)
针对Transformer在多元时间序列预测中的计算复杂度和全历史依赖问题,提出Dozer Attention稀疏机制与Dozerformer框架,在九个基准数据集上验证了高效且不损失精度。
2024-07-15 cs.CL cs.LG
TimeRFT: Stimulating Generalizable Time Series Forecasting for TSFMs via Reinforcement Finetuning
University of Alberta(阿尔伯塔大学);Alibaba Cloud(阿里云);City University of Hong Kong(香港城市大学)
TimeRFT通过强化微调方法解决时间序列基础模型在特定任务适应中的泛化问题,提升预测精度和抗分布偏移能力。
2026-08-03 cs.AI cs.CV cs.LG
Distributional Drift Adaptation with Temporal Conditional Variational Autoencoder for Multivariate Time Series Forecasting
School of Medical Technology, Beijing Institute of Technology(北京理工大学医学技术学院);School of Computer Science and Technology, Beijing Institute of Technology(北京理工大学计算机科学与技术学院);Department of Computer Science, Tongji University(同济大学计算机科学系);University of Technology Sydney(悉尼科技大学);DataX Research Centre, School of Computing, Macquarie University(麦考瑞大学计算学院DataX研究中心)
本文提出时序条件变分自编码器TCVAE,通过时序Hawkes注意力、门控注意力机制和条件连续归一化流建模多元时间序列的动态分布依赖,有效应对分布漂移,在六个真实数据集上验证了其优越的鲁棒性和预测性能。
2024-04-02 cs.LG
Model-agnostic Retrieval-Augmented Extended Forecasting for time series
该研究提出模型无关的RAEF方法,通过改进检索与聚合机制提升时间序列预测性能,其效果优于RAF,兼具高效性与竞争力,可替代微调用于时间序列预测的领域适配。
2026-08-17 cs.LG
MemDA: Forecasting Urban Time Series with Memory-based Drift Adaptation
The University of Tokyo(东京大学);Tencent Corporation(腾讯公司)
针对城市时间序列预测中的概念漂移问题,提出MemDA模型,通过考虑数据周期性编码漂移并利用元动态网络进行实时调整,显著优于现有方法且能泛化至现有预测骨干网络。
2023-09-25 cs.AI cs.LG
AdaCast: Conditional Parameter Generation for Adaptive Time Series Forecasting
Auburn University(奥本大学)
针对现有时间序列预测适配方法无法适配输入时间序列动态的局限,提出AdaCast框架,通过生成器生成特定输入的低秩参数更新,在6个基准测试中优于静态基线并提升零样本泛化能力。
2026-10-09 cs.AI cs.LG
TMAML: Temporal Model-Agnostic Meta-Learning for Cold-Start Time Series Forecasting
Ghent University(根特大学)
针对冷启动时间序列预测,提出时间模型无关元学习(TMAML),通过构建时间一致的元任务并优化模型,使预测模型在少数据下快速适应,实证表明其优于或匹配标准训练模型。
2026-10-06 cs.LG
Enabling Time-series Foundation Model for Building Energy Forecasting via Contrastive Curriculum Learning
The Hong Kong Polytechnic University(香港理工大学)
本文针对基础模型在建筑能耗预测任务中表现不佳的问题,提出基于对比课程学习的训练方法以优化训练数据顺序,使零/少样本性能相比现有模型提升14.6%。
2024-12-23 cs.AI cs.LG
Challenges of Explainability in Continual Learning for Time Series Forecasting
研究时间序列预测持续学习中的可解释性挑战,利用经验回放策略,通过神经预测架构和基于注意力的采样机制,借助注意力展开和梯度归因方法分析行为,实验表明可揭示归因模式演变及为非平稳预测提供策略参考。
2026-07-23 cs.AI cs.LG
Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region
Linköping University(林雪平大学);Mohamed bin Zayed University of AI(穆罕默德·本·扎耶德人工智能大学);Australian National University(澳大利亚国立大学)
针对传统数值天气预报计算成本高、效率低的问题,本研究以中东和北非地区为案例,验证了将LoRA等参数高效微调方法用于神经天气预报局部适配,可同时提升预测精度与训练、资源利用效率。
2024-09-11 cs.AI cs.LG physics.ao-ph
Sales forecasting using WaveNet within the framework of the Kaggle competition
我们参加了在Kaggle上举办的Corporacion Favorita杂货销售预测竞赛,并获得了第二名。在这篇抽象的论文中,我们提出了一个全面的分析和解决方案的基础上的时间序列数据的机器学习问题,其中主要的挑战是确定和相应的初步方法提出。我们的方法是基于适应的扩张卷积神经网络的时间序列预测。通过将该技术迭代地应用于n个示例的批次,最终可以以相当的速度和精度处理大量的时间序列数据。希望本文能在一定程度上作为对时间序列预测基准的回顾和指导,启发进一步的尝试和研究。
2018-03-11 cs.LG
Online Irregular Multivariate Time Series Forecasting via Uncertainty-Driven Dual-Expert Calibration
Key Laboratory of Big Data \& Artificial Intelligence in Transportation (Beijing Jiaotong University), Ministry of Education School of Computer Science;Technology, Beijing Jiaotong University Beijing China;School of Computer Science;Tangshan Research Institute, Beijing Jiaotong University Tangshan China;Key Laboratory of Big Data \& Artificial Intelligence in Transportation (Beijing Jiaotong University), Ministry of Education;Technology, Beijing Jiaotong University;Tangshan Research Institute, Beijing Jiaotong University
针对在线不规则多变量时间序列预测中数据分布动态变化导致性能下降的问题,提出不确定性驱动的双专家校准框架Under-Cali,通过不确定性估计、双专家校准和自适应路由模块实现稳定高效的在线学习。
2026-05-27 cs.AI cs.LG
Bayesian forecasting of many count-valued time series
本文发展了非负计数时间序列动态模型的预测方法和应用。新的单变量模型合成动态广义线性模型的二进制和条件泊松时间序列,动态随机效应的过度分散。这些模型允许在二进制和非零计数分量中使用动态协变量。序贯贝叶斯分析允许对解耦的时间序列集进行快速、并行的分析。新的多变量模型使信息共享的背景下,数据在更高的聚合水平提供更深刻的推断共享模式,如趋势和季节性。一种新颖的多尺度方法--时间序列中解耦/再耦合概念的一个新例子--使信息能够跨序列共享。这包含了跨系列的联系,同时绝缘的单变量模型的并行估计,因此使系列的数量的可扩展性。主要的激励背景是超市销售预测。详细的例子来自一个案例研究,在多个相关项目的销售多步预测展示了多个系列的预测,与预测准确性指标和概率预测准确性评估的更广泛的问题的讨论。
2018-05-14 stat.AP stat.ME
Multi-Horizon Time Series Forecasting of non-parametric CDFs with Deep Lattice Networks
本文针对时间序列概率预测中点预测易漏突变、传统参数化CDF建模受限、分位数回归易出现交叉的问题,适配深度格网络结合LSTM实现非参数CDF多跨度预测,在太阳辐照度预测任务中性能优于对比方法。
2025-11-14 cs.AI cs.LG
STG2Seq: Spatial-temporal Graph to Sequence Model for Multi-step Passenger Demand Forecasting
University of New South Wales(新南威尔士大学);University of Technology Sydney(悉尼科技大学);Macquarie University(麦考瑞大学)
多步乘客需求预测是按需车辆共享服务的关键任务。然而,由于非线性和动态的时空依赖性,在多个时间范围内预测乘客需求通常是具有挑战性的。在这项工作中,我们提出了基于图的多步全市乘客需求预测模型,并使用分层图卷积结构来同时捕获空间和时间相关性。我们的模型由三个部分组成:1)长期编码器,用于对历史乘客需求进行编码; 2)短期编码器,用于导出下一步预测,以生成多步预测; 3)基于注意力的输出模块,用于对动态时间和通道信息进行建模。在三个真实世界数据集上的实验表明,我们的模型始终优于许多基线方法和最先进的模型。
2019-05-24 cs.AI cs.LG stat.ML
Target Concept Tuning Improves Extreme Weather Forecasting
Renmin University of China(中国人民大学);Alibaba Group(阿里巴巴集团);Institute of Atmospheric Physics, Chinese Academy of Sciences(中国科学院大气物理研究所)
本文提出TaCT框架,通过选择性模型改进提升台风预测性能,同时保持常规场景表现。利用稀疏自编码器和反事实分析发现失效相关概念,仅在概念激活时更新参数,实验显示在不同地区台风预测有显著提升。
2026-03-17 cs.AI cs.LG
Lightweight Wrappers for Adapting Time Series Foundation Models to Regional Drought Forecasting
Adelaide University(阿德莱德大学);CSIRO(联邦科学与工业研究组织)
研究针对时间序列基础模型应用于区域干旱预测的挑战,提出轻量级黑盒适应框架,通过SMR²和MBB两个包装器在推理时增强模型,在南澳大利亚站点预测中提升性能,降低MSE,实现资源受限区域的实际部署。
2026-09-29 cs.LG
Winner-takes-all for Multivariate Probabilistic Time Series Forecasting
本文提出TimeMCL方法,利用多选学习(MCL)范式与赢者通吃(WTA)损失,通过多头神经网络促进预测多样性,以高效预测时间序列的多种可能未来,并在合成与真实数据上验证了其低计算成本下的出色性能。
2025-08-11 cs.AI cs.LG stat.ML
Compositional Spectral Prompts for LLM-based Online Time Series Forecasting
KAIST(韩国科学技术院)
针对现有在线时间序列预测框架难以长期适应与泛化的问题,提出基于LLM的CoSPOT框架,采用组合频谱提示实现高效在线适应,在多类在线预测场景中表现优异。
2026-09-03 cs.LG
Baguan-TS: A Sequence-Native In-Context Learning Model for Time Series Forecasting with Covariates
DAMO Academy, Alibaba Group, Hangzhou, China(阿里达摩院,阿里巴巴集团,杭州,中国)
Baguan-TS通过整合原始序列表示学习与上下文学习,解决了时间序列预测中上下文学习与端到端序列模型的适应性问题,提升了模型的准确性和鲁棒性。
2026-03-18 cs.AI cs.LG
Zero Shot Time Series Forecasting Using Kolmogorov Arnold Networks
École de Technologie Supérieure(高等技术学院);Hitachi Energy Research(日立能源研究院)
针对能源价格预测模型难以迁移到新市场的问题,提出以 Kolmogorov Arnold Networks 为核心的双残差 N-BEATS 对抗跨域适应模型,实现零样本日前电价预测并取得优于基线的效果。
2025-02-14 cs.LG
Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting
本文提出代理时间序列预测框架,强调通过代理流程实现动态适应与持续学习,推动时间序列预测方法的革新。
2026-03-11 cs.LG
Learning Predictive Leading Indicators for Forecasting Time Series Systems with Unknown Clusters of Forecast Tasks
提出了一种新的预测多个相关时间序列系统的方法。该方法学习预测模型,同时从系统内部发现领先指标,这些指标作为良好的预测器,提高了预测准确性和预测任务的聚类结构。该方法是基于经典的线性向量自回归模型(VAR)和链接的领先指标的发现,推断稀疏图的格兰杰因果关系。我们制定了一个新的约束优化问题,以促进所需的稀疏结构的模型和多任务的方式在学习任务之间的信息共享。我们提出了一种算法来解决这个问题,并在一系列合成和真实数据实验中证明了我们的新方法相对于基线VAR模型以及最先进的稀疏VAR学习方法的优势。
2017-10-02 stat.ML
Cooperative Probabilistic Trajectory Forecasting under Occlusion
Virginia Tech(弗吉尼亚理工大学);Virginia Commonwealth University(弗吉尼亚联邦大学)
针对遮挡场景下通信受限和定位困难,本文提出端到端协作网络,通过共享视场智能体间的相对位姿估计预测被遮挡行人状态与轨迹,并验证其接近无遮挡真值。
2023-12-06 cs.CV cs.LG cs.RO
Scaleformer: Iterative Multi-scale Refining Transformers for Time Series Forecasting
Simon Fraser University(西蒙弗雷泽大学);Borealis AI
最近,由于引入了Transformers,时间序列预测的性能有了很大的提高。在本文中,我们提出了一个通用的多尺度框架,可以应用于最先进的基于变压器的时间序列预测模型(FEDformer,Autoformer等)。通过在多个尺度上使用共享权重迭代地改进预测时间序列,引入架构自适应和专门设计的归一化方案,我们能够在数据集和Transformer架构上实现显着的性能改进,从5.5%提高到38.5%,并且额外的计算开销最小。通过详细的消融研究,我们证明了我们在架构和方法上的每一个贡献的有效性。此外,我们在各种公共数据集上的实验表明,所提出的改进优于其相应的基线同行。我们的代码可在https://github.com/BorealisAI/scaleformer上公开获取。
2023-02-07 cs.LG
Non-Stationary Time Series Forecasting Based on Fourier Analysis and Cross Attention Mechanism
College of Electronics and Information Engineering , Shenzhen University(电子信息工程学院,深圳大学)
针对非平稳时间序列中统计特征随时间变化的问题,本文提出 AEFIN 框架,融合交叉注意力、傅里叶分析网络、MLP 与多域约束损失,提升预测精度与鲁棒性。
2025-05-11 cs.LG
Predictive and Prescriptive Performance of Bike-Sharing Demand Forecasts for Inventory Management
Technical University of Denmark(丹麦技术大学);Technical University of Munich(慕尼黑工业大学);University of Groningen(格罗宁根大学);University of Twente(特文特大学);Munich Data Science Institute(慕尼黑数据科学研究所)
自行车共享系统是一种快速发展的交通方式,为被动的机动个人移动提供了一种有效的替代方案。自行车需求的不对称性导致需要重新平衡自行车站,这通常在夜间进行。为了确定给定日期站点的最佳起始库存量,用户不满意度函数(UDF)将用户取货和退货建模为具有分段线性速率的非齐次泊松过程。在本文中,我们通过引入变分泊松递归神经网络模型(VP-RNN)来预测未来的拾取率和返回率,设计了一个直接适用于UDF的深度生成模型。我们对来自美国纽约市的真实旅行数据进行了传统和基于学习的预测方法的实证评估,并展示了我们的模型在系统效率和需求满足方面如何优于基准。通过明确关注决策算法与基于学习的预测方法的结合,我们突出了文献中的一些缺点。至关重要的是,我们展示了更准确的预测并不一定能转化为更好的库存决策。通过对预测、模型假设和决策之间的相互作用的深入了解,我们指出,预测和决策模型应该仔细评估和协调,以最佳地控制共享移动系统。
2021-07-28 cs.LG math.OC
Budget-constrained Collaborative Renewable Energy Forecasting Market
INESC TEC;University of Porto(波尔图大学);Joint Research Centre (European Commission)(欧盟联合研究中心);European Centre for Algorithmic Transparency(欧洲算法透明度中心)
针对可再生能源预测中的数据共享障碍,提出结合样条LASSO回归与投标机制的协作预测市场,实现公平补偿与价格约束,显著提升精度并带来收益。
2025-01-22 cs.LG
Short-term Streamflow and Flood Forecasting based on Graph Convolutional Recurrent Neural Network and Residual Error Learning
Georgia Institute of Technology(佐治亚理工学院);The University of Sydney(悉尼大学)
针对水位流量关系曲线数据误差影响预报精度的问题,本研究提出结合图卷积循环神经网络捕捉时空模式与残差学习修正误差的方法,提升1-6小时短期径流与洪水预报准确性,降低洪水风险。
2024-12-06 cs.AI cs.LG physics.geo-ph
Conditional Time Series Forecasting with Convolutional Neural Networks
我们提出了一种基于最近深度卷积WaveNet架构的适应的条件时间序列预测方法。所提出的网络包含膨胀卷积的堆栈,使其能够在预测时访问广泛的历史,通过并行应用多个卷积滤波器来执行ReLU激活功能和调节以分离时间序列,这允许快速处理数据并利用多变量时间序列之间的相关结构。我们测试和分析的卷积网络的性能,无论是无条件的,以及有条件的金融时间序列预测使用的标准普尔500指数,波动率指数,芝加哥期权交易所利率和几个汇率,并广泛比较它的性能,著名的自回归模型和长期-短期记忆网络。我们表明,卷积网络非常适合回归类型的问题,并且能够有效地学习序列中和序列之间的依赖关系,而不需要很长的历史时间序列,是一种时间效率高且易于实现的替代方案。循环类型网络,并且往往优于线性和循环模型。
2018-09-17 stat.ML
Addressing Concept Shift in Online Time Series Forecasting: Detect-then-Adapt
Chinese Academy of Sciences (CASIA)(中国科学院);University of Chinese Academy of Sciences (UCAS)(中国科学院大学);Alibaba Group(阿里巴巴集团);Squirrel AI Group(松鼠AI智适应教育集团);Meta AI Group(元宇宙人工智能集团)
提出D3A方法解决在线时间序列预测中的累积概念漂移问题,通过先检测漂移再积极适应模型,并引入高斯噪声的数据增强策略,在六个数据集上显著降低了MSE。
2024-03-22 cs.LG