High-dimensional point forecast combinations for emergency department demand
Lee Kong Chian School of Medicine, Nanyang Technological University(南洋理工大学李光前医学院);Department of Economics, Rutgers University(罗格斯大学经济学系);Saw Swee Hock School of Public Health, National University of Singapore(新加坡国立大学 Saw Swee Hock 公共卫生学院);Ministry of Health, Singapore(新加坡卫生部);Tan Tock Seng Hospital, Singapore(新加坡陈笃生医院)
本文研究高维点预测组合在急诊部门需求预测中的应用,通过结合多种模型提高预测准确性和稳定性,展示组合预测在不同疾病和时间跨度上的有效性。
2025-01-20 q-bio.QM stat.AP stat.ML
Sensorformer: Cross-patch attention with global-patch compression is effective for high-dimensional multivariate time series forecasting
Central South University(中南大学);School of Automation(自动化学院)
针对多变量时间序列中跨时间与跨变量依赖难以融合的问题,提出 Sensorformer,通过全局 patch 压缩和跨 patch 注意力同时建模两类依赖,降低复杂度并在 9 个数据集上验证优越性能。
2025-01-06 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
Infinite forecast combinations based on Dirichlet process
Academy of Mathematics and Systems Science(数学与系统科学研究院);University of Chinese Academy of Sciences(中国科学院大学);School of Statistics and Mathematics(统计与数学学院);Central University of Finance and Economics(中央财经大学);School of Economics and Management(经济管理学院);Beihang University(北京航空航天大学)
本文提出一种基于 Dirichlet 过程的深度学习集成预测模型,通过单次训练生成基础学习器并利用衰减策略解决学习率优化问题,在 M4 数据集上显著提升了预测的准确性与稳定性。
2023-11-24 cs.AI cs.LG stat.ML
Optimal Combination Forecasts on Retail Multi-Dimensional Sales Data
Faculty of Engineering, University of Porto(波尔图大学工程学院);HUUB AI Lab Porto(HUUB AI实验室波尔图)
零售世界中的时间序列数据在维度方面特别丰富,这些维度可以按组或层次进行聚合。有价值的信息嵌套在这些复杂的结构中,这有助于预测聚合的时间序列数据。从HUUB监测的品牌组合中,我们选择了两个品牌来探索他们的销售行为,利用其产品结构的分组属性。利用统计模型,即SARIMA,预测层次结构中的每一个层次,使用最佳组合方法,以产生更一致的预测在较高的水平。我们的研究结果表明,所提出的方法确实可以捕获嵌套的信息在更细粒度的序列,有助于提高预测精度的聚合系列。加权最小二乘(WLS)方法超过了研究中提出的所有其他方法,包括最小跟踪(MinT)和解。
2019-03-22 cs.LG stat.AP stat.ME
Data-driven Calibration Sample Selection and Forecast Combination in Electricity Price Forecasting: An Application of the ARHNN Method
organization= Department of Operations Research;Business Intelligence, Wroc aw University of Science
本文应用ARHNN方法于电价预测,通过校准样本选择与预测组合提升精度,优于基准达10%,并简化变体降低计算成本,在电池储能交易中实现80%理论最大利润。
2025-10-16 stat.AP stat.ML
The Impact of Sampling Variability on Estimated Combinations of Distributional Forecasts
我们调查估计的预测组合的性能和抽样变异性,特别注意预测分布的组合。预测组合中的未知参数根据基于适当的评分规则的标准函数进行优化,所述评分规则被选择以奖励对于手头的问题重要的预测准确性的形式,并且预测性能使用所述评分规则的样本外期望来测量。我们的研究结果提供了新的见解估计预测组合的行为。首先,我们表明,渐近,标准预测组合的性能的抽样变异性仅由估计的组成模型,估计的组合权重贡献任何抽样变异性,在一阶。其次,我们表明,如果计算上可行,预测组合在一个单一的步骤-其中的成分模型和组合函数参数估计联合-具有优越的预测精度和较低的抽样变异性比标准的预测组合-其中的成分模型和组合函数参数估计在两个步骤。这些理论的见解证明了数字,无论是在模拟设置和广泛的实证说明使用标准普尔500指数回报的时间序列。
2022-06-06 econ.EM stat.ME
Hydrological time series forecasting using simple combinations: Big data testing and investigations on one-year ahead river flow predictability
National Technical University of Athens(雅典国家技术大学);Hellenic Air Force(希腊空军)
提供有用的水文预报对于城市和农业用水管理、水力发电、洪水保护和管理、减轻和缓解干旱以及河流流域规划和管理等至关重要。在这项工作中,我们提出和评估一个新的简单而灵活的水文时间序列预测方法。这种方法依赖于(a)至少两种单独的预测方法和(b)预测的中值组合。该评价是通过使用一个大的数据集,包括90年的平均年径流量的时间序列,从大约600站。这些监测站覆盖北美和欧洲的大部分地区,代表了各种气候和集水特征,因此可以共同支持基准测试。对每个时间序列应用了五种单独的预测方法和26种所介绍方法的变体。应用是在一步提前预测模式。个别方法是最后一次观察基准,简单指数平滑,复杂指数平滑,自动自回归分数积分移动平均(ARFIMA)和Facebook的先知,而26种变体是由上述五种方法的所有可能组合(每两种,三种,四种或五种)定义的。新的方法被确定为长期表现良好,特别是当两个以上的个人预测方法结合在其框架内。此外,在系统框架内的不同的水文预报方法的情况下知情的集成的可能性进行了算法研究和讨论。相关的调查包括线性回归分析,其目的是找到一个有代表性的预测性能指标的值和选定的河流流量统计值之间的可解释的关系.
2020-08-18 cs.LG stat.AP stat.ME
Hierarchical forecast reconciliation with machine learning
National Technical University of Athens(雅典国立技术大学);Monash University(莫纳什大学);University of Bath(巴斯大学)
分层预测方法已被广泛用于支持一致的决策,提供一致的预测,在不同的聚合水平。传统的层次预测方法,如自下而上和自上而下的方法,集中在一个特定的聚合水平锚的预测。在过去的几十年中,这些方法已经被各种线性组合方法所取代,这些方法利用来自完整层次结构的信息来产生更准确的预测。然而,这些组合方法的性能取决于所检查的系列及其关系的特殊性。本文提出了一种新的分层预测方法的基础上,机器学习,处理这些限制在三个重要方面。首先,所提出的方法允许一个非线性组合的基础预测,因此比线性方法更一般。第二,它在结构上结合了提高样本后经验预测准确性和一致性的目标。最后,由于其非线性的性质,我们的方法选择性地结合了直接和自动化的方式,而不需要完整的信息,必须用于生产调和预测的每个系列和水平的基础预测。使用来自旅游业和零售业的两个不同数据集,从准确性和偏差方面评估了所提出的方法。我们的研究结果表明,所提出的方法提供了优越的点预测比现有的方法,特别是当系列组成的层次结构不具有相同的模式。
2020-06-03 cs.LG stat.CO stat.ML
Feature-based intermittent demand forecast combinations: bias, accuracy and inventory implications
间歇性需求预测是生产系统和供应链管理中一个普遍存在且具有挑战性的问题。近年来,间歇性电力需求预测方法的研究越来越受到学术界和实务界的关注。然而,有限的注意力已经给予预测组合方法,这在预测快速移动的时间序列中取得了有竞争力的性能。本研究的目的是检验一些现有的预测组合方法的实证结果,并提出一个广义的基于特征的间歇性需求预测框架。所提出的框架已被证明可以提高基于两个真实数据集的点和分位数预测的准确性。此外,还提供了一些特征、预测池和计算效率的分析。研究结果表明,所提出的方法在间歇性需求预测的可理解性和灵活性,并提供有关库存决策的见解。
2022-08-31 econ.EM stat.AP stat.CO
Aggregating distribution forecasts from deep ensembles
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Heidelberg Institute for Theoretical Studies(海德堡理论研究所)
本研究提出一种通用分位数聚合框架,用于整合深度集成模型的分布预测,通过理论分析和十二个基准数据集的系统比较,证明该方法能显著提升预测性能并修正系统性缺陷。
2024-11-08 cs.LG stat.ML
Forecasting Italian daily electricity generation disaggregated by geographical zones and energy sources using coherent forecast combination
针对意大利按地理区域和能源来源分解的每日发电量层级预测不一致问题,提出相干平衡多任务预测组合方法,提升了预测准确性与约束相干性。
2025-02-17 stat.AP stat.ME
Forecast with Forecasts: Diversity Matters
在过去的几十年里,预测组合被广泛应用于改善预测。估计可以优于简单平均值的最佳权重并不总是一件容易的任务。近年来,利用时间序列特征进行预测组合的思想蓬勃发展。虽然这个想法已经被证明是有益的,在一些预测比赛,它可能是不实用的,在许多情况下。例如,选择适当的特征来构建预测模型的任务通常具有挑战性。即使有一个可接受的方式来定义的功能,现有的功能是根据历史模式,这是很可能在未来发生变化的估计。其他时候,由于历史数据有限,对特征的估计是不可行的。在这项工作中,我们建议从历史数据的重点变化,产生的预测提取功能。我们使用样本外预测,通过放大组合方法的多样性来获得预测组合的权重。一组丰富的时间序列被用来评估所提出的方法的性能。实验结果表明,我们的基于多样性的预测组合框架不仅简化了建模过程,而且在点预测和预测区间方面都取得了优异的预测性能。我们的建议的价值在于它的简单性,透明度和计算效率,从优化和决策分析的角度来看,这些元素都很重要。
2021-08-19 stat.ME stat.ML
Effective Dataset Distillation for Spatio-Temporal Forecasting with Bi-dimensional Compression
STemDist是一种专门用于时空预测的数据集蒸馏方法,通过平衡压缩时间和空间维度,提升模型训练效率和预测效果
2026-03-11 cs.AI cs.DB cs.LG
Probabilistic Forecast Combination for Anomaly Detection in Building Heat Load Time Series
研究了建筑热负荷时间序列的自动异常检测问题。异常检测模型必须适用于不同的建筑群,并提供可靠的结果,热负荷时间序列低信噪比,几个季节性,和显着的外源性影响。我们建议采用一种概率预测组合方法的基础上合奏的确定性预测异常检测方案,根据其概率预测分布下的观测值进行分类。我们的经验表明,预测为基础的异常检测提供了更好的准确性时,采用预测组合方法。
2021-11-16 stat.AP
Time Series Forecasting Using LSTM Networks: A Symbolic Approach
The University of Manchester(曼彻斯特大学)
在原始数值时间序列数据上训练的机器学习方法表现出基本的局限性,例如对超参数甚至对随机权重的初始化的高敏感性。提出了一种递归神经网络与降维符号表示相结合的方法,并将其应用于时间序列预测。结果表明,符号表示可以帮助缓解上述问题中的一些,此外,可以允许更快的训练,而不牺牲预测性能。
2020-03-12 cs.LG stat.ML
Multi-objective probabilistic forecast combination for inventory demand
School of Economics and Management, Beihang University(北京航空航天大学经济管理学院);School of Management, University of Bath(巴斯大学管理学院)
针对现有概率预测组合方法忽略运营目标的问题,提出多目标优化框架,同时优化预测准确性和库存决策性能,在沃尔玛零售和英国皇家空军备件数据上验证了其平衡性和鲁棒性。
2026-06-03 stat.AP
Downside-Controlled Online Forecast Combination under Delayed and Revised Outcomes
Yonsei University(延世大学)
本研究提出一种下行受控的在线预测组合方法,结合冻结预测器与静态及在线修正器,在延迟和修正结果下实现不劣于初始预测的性能,并在多个基准和负荷预测中验证了其有效性。
2026-09-25 cs.LG
A Forecast Combination Framework for Hierarchical and Grouped Time Series Reconciliation
Beihang University(北京航空航天大学);Tsinghua University(清华大学);Saïd Business School, University of Oxford(牛津大学赛德商学院)
该研究提出用于分层与分组时间序列协调的预测组合框架,将预测组合与协调关联,证明MinT协调等价于最优预测组合,提出模块化惩罚框架,该框架实用且可提升预测准确性。
2026-08-18 stat.ME
Target alignment, dilution and forecast selection when cross-sectional forecasts share a common target
University of Pisa(比萨大学)
本文研究共享同一目标的横截面预测,将其分解为对齐与不相关分量,提出谨慎选择规则以消除稀释损失,并在语言模型和机械信号预测中验证,但组合未能胜过无信息预测。
2026-09-23 cs.LG econ.EM q-fin.ST
The uncertainty estimation of feature-based forecast combinations
预测是运筹学(OR)不可或缺的要素,也是规划的重要辅助手段。预测不确定性的准确估计有助于几个运营管理活动,主要是在支持库存和供应链管理决策,并有效地设置安全库存。在本文中,我们引入了一个基于特征的框架,它将时间序列特征和区间预测性能之间的关系联系起来,提供可靠的区间预测。我们提出了一个最佳阈值比搜索算法和一个新的权重确定机制,选择一个适当的模型子集,并为每个时间序列分配组合权重,以观察到的功能。我们评估我们的方法使用一个大的时间序列从M4的竞争。我们的实验表明,我们的方法显着优于广泛的基准模型,无论是在点预测以及预测区间。
2020-11-17 stat.AP stat.CO stat.ME
Coherent forecast combination for linearly constrained multiple time series
University of Padua(帕多瓦大学)
本文针对线性约束多时间序列,提出基于优化的一致预测组合方法,给出闭式解并通过模拟与澳大利亚电力数据验证其性能提升。
2026-11-09 stat.AP stat.CO stat.ME
Forecast combination based forecast reconciliation: insights and extensions
在最近的一篇论文中,在阐明预测组合和横截面预测协调之间的联系的同时,Hollyman等人(2021)提出了一种基于预测组合的方法来协调简单的层次结构。一个新的水平条件相干(LCC)点预测和解程序的开发,它表明,一组LCC的简单平均,自下而上的和解预测(称为组合条件相干,CCC)的结果在良好的性能相比,通过国家的最先进的横截面和解程序。在本文中,我们沿着一些新的方向建立和扩展这一建议。(1)我们揭示了LCC和解公式的性质和数学推导,表明它是一个外生线性约束的二次损失函数的最小化的结果,在目标和基础预测与对角关联矩阵之间的差异。(2)内生约束也可以考虑,导致所有相关序列的水平条件调和预测,其中上部和下部时间序列都被一致地修正。(3)由于LCC程序不保证非负的调和预测,我们认为,当非负是一个自然属性的变量进行预测-其解释为一个公正的自上而下的和解程序留下了一些疑问。(4)新的程序中使用的经典澳大利亚旅游需求(游客夜)数据集的预测实验。由于用于计算基本预测的(可能不同的)模型所发挥的关键作用,我们将Hollyman et al.(2021)的CCC调和重新解释为预测池方法,表明采用简单的预测平均策略可以提高准确性。
2021-06-10 stat.AP
CombinationTS: A Modular Framework for Understanding Time-Series Forecasting Models
Institute of Computing Technology, Chinese Academy of Sciences, Beijing, China(中国科学院计算技术研究所);University of Chinese Academy of Sciences, Beijing, China(中国科学院大学);Northeastern University, Shenyang, China(东北大学);Beijing Normal University - Hong Kong Baptist University United International College, Zhuhai, China(北京师范大学-香港 Baptist大学联合国际学院)
本文提出CombinationTS框架,通过分解模型为输入变换、嵌入、编码器、解码器和输出变换模块,量化各部分性能和稳定性,揭示模型改进的核心驱动因素,发现嵌入设计良好时,无参数的Identity编码器可超越复杂结构。
2026-05-02 cs.LG
Spatio-temporal Stacked LSTM for Temperature Prediction in Weather Forecasting
KU Leuven(鲁汶大学)
长短期记忆(LSTM)是一种广泛应用于序列学习和时间序列预测的方法。在本文中,我们将堆叠LSTM模型部署在天气预报的应用中。我们提出了一个2层时空堆叠LSTM模型,它由第一层LSTM层中每个位置的独立LSTM模型组成。随后,基于第一层LSTM模型的隐藏状态的组合来形成第二层LSTM层的输入。实验表明,通过利用空间信息,堆叠LSTM模型的预测性能在大多数情况下都有所提高。
2018-11-15 cs.LG stat.ML
Combining Probabilistic Forecasts of Intermittent Demand
针对间歇性需求概率预测研究不足、现有研究忽略库存影响的问题,本研究构建兼顾预测精度与库存效用的概率预测组合方法,实证发现其优于单一方法,但两类性能存在权衡。
2024-04-15 stat.AP
Dirichlet-Guided Group Forecasting for Alleviating Over-smoothing in Time Series Forecasting
University of Chinese Academy of Sciences(中国科学院大学);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所)
针对时间序列预测中的过度平滑问题,提出Dirichlet引导的群体预测(DGF)框架,通过显式建模多个模式条件预测分布及其选择概率的不确定性,并采用Dirichlet引导的分层采样和奖励优化,提升预测的准确性、多样性和动态一致性。
2026-11-19 cs.LG
Dynamic Bayesian Predictive Synthesis in Time Series Forecasting
讨论了时间序列预测中的模型和预测组合问题。基于主体意见分析理论的基本贝叶斯观点定义了一个新的框架密度预测组合,并包括几个现有的预测池方法。我们开发了一类新的动态潜在因素模型的时间序列预测合成,基于模拟的计算实现。这些模型可以动态地适应时变的偏差,错误校准和多个模型或预测器之间的相互依赖性。一项宏观经济预测研究强调了综合预测密度之间的动态关系,以及在多个层面提高预测准确性的潜力。
2022-03-02 stat.ME
TEAFormers: TEnsor-Augmented Transformers for Multi-Dimensional Time Series Forecasting
New York University(纽约大学);University of California, Riverside(加州大学河滨分校);Notre Dame University(圣母大学)
本文提出 TEAFormer,通过可兼容现有 Transformer 的 TEA 张量展开与压缩模块保留多维时序结构,在三个基准和三种模型上显著提升预测性能并降低计算量。
2024-10-27 cs.AI cs.LG stat.ML
Smoothed Bernstein Online Aggregation for Day-Ahead Electricity Demand Forecasting
House of Energy Markets and Finance(能源市场与金融研究院);University of Duisburg-Essen(杜伊斯堡-埃森大学)
我们介绍了IEEE数据端口竞赛的获胜方法,即提前一天的电力需求预测:后COVID范式。日前负荷预测方法是基于多点预测模型的在线预测组合。它包含四个步骤:i)数据清洗和预处理,ii)假日调整程序,iii)个体预测模型的训练,iv)通过平滑Bernstein在线聚合(BOA)的预测组合。该方法灵活,可快速适应COVID-19期间和之后发生的新能源系统情况。单个预测模型的范围从相当简单的时间序列模型到复杂的模型,如广义加性模型(GAM)和lasso估计的高维线性模型。它们有效地结合了自回归、日历和天气效果。所有步骤都包含新的概念,有助于所提出的方法的出色的预测性能。这尤其适用于假日调整程序和完全自适应平滑BOA方法。
2021-07-13 cs.CE cs.LG cs.SY
TimeCapsule: Solving the Jigsaw Puzzle of Long-Term Time Series Forecasting with Compressed Predictive Representations
Hefei Institutes of Physical Science(合肥物理科学研究院);University of Science and Technology of China(中国科学技术大学)
TimeCapsule通过统一冗余减少和多尺度建模思想,将时间序列建模为3D张量并采用模式乘积压缩,结合JEPA内部预测,在LTSF基准上实现最先进性能。
2025-05-23 cs.AI cs.LG eess.SP
Cross-temporal forecast reconciliation: Optimal combination method and heuristic alternatives
本文提出迭代跨时间预测协调程序及最优点预测闭式解,同时处理同期和时间层级约束,并在澳大利亚GDP季度数据上验证其优于单维度协调方法。
2020-10-19 stat.ME
Dual Interpretation of Machine Learning Forecasts
Université du Québec à Montréal(魁北克大学蒙特利尔分校);Oesterreichische Nationalbank(奥地利国家银行)
本文提出机器学习预测的双重解释方法,将预测表示为历史样本的加权组合,适用于宏观经济预测,并提供集中度等诊断指标,揭示模型利用历史重复的模式。
2024-12-17 cs.LG econ.EM stat.ML
Stopping time detection of wood panel compression: A functional time series approach
我们考虑在自动化工艺环境中确定胶合板固化的最佳停止时间。使用近红外光谱技术监控制造过程可确保大幅节省能源和时间。我们收集了一个时间序列的曲线从近红外光谱探头组成的72个光谱,旨在检测一个最佳的停止时间。我们提出了一个估计程序,以确定最佳的停止时间的木材面板压缩和估计的不确定性与估计的停止时间。我们的方法首先将整个数据集分为训练样本和测试样本,然后迭代计算集成平方预测误差的测试样本的基础上。然后,我们应用一个断点的结构性突变检测方法来确定一个估计的最佳停止时间从一个单变量时间序列的综合平方预测误差。我们还研究了有限样本的性能所提出的方法通过一系列的模拟研究。
2022-04-27 stat.AP stat.CO stat.ME
Time series forecasting from partial observations via Non-negative Matrix Factorization
Institut Camille Jordan, Ecole Centrale Lyon(让-卡米尔·约当研究所,中央理工大学);Institut Universitaire de France(法国大学研究院)
提出滑动掩码方法(SMM)结合非负矩阵补全进行多非负时间序列预测,通过掩码原型矩阵分解(mAMF)和掩码归一化非负矩阵分解(mNMF)实现,理论证明恢复误差与噪声成比例,实验优于Transformer、LSTM等方法。
2026-06-09 cs.LG math.ST stat.ML
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
LaserFlow: Efficient and Probabilistic Object Detection and Motion Forecasting
Uber Advanced Technologies Group(优步先进技术集团)
在这项工作中,我们提出了激光流,一种有效的方法,三维目标检测和运动预测激光雷达。与以前的工作不同,我们的方法利用了LiDAR的本地范围视图表示,这使我们的方法能够在传感器的全范围内实时操作,而无需体素化或数据压缩。我们提出了一种新的多扫描融合架构,直接从距离图像中提取和合并时间特征。此外,我们提出了一种新的技术来学习概率分布在未来的轨迹启发课程学习。我们在两个自动驾驶数据集上评估了LaserFlow,并与现有的最先进的方法相比,展示了具有竞争力的结果。
2020-10-15 cs.CV cs.LG cs.RO
Systematic Generalization in Neural Networks-based Multivariate Time Series Forecasting Models
University of Washington(华盛顿大学);TCS Research(塔塔咨询服务公司研究院)
系统泛化的目的是评估从已知成分中对新组合的推理,这是人类认知的内在属性。在这项工作中,我们研究了系统的泛化神经网络预测未来的时间序列的因变量的动力系统,条件是过去的时间序列的因变量,过去和未来的控制变量。我们专注于系统的泛化,其中基于NN的预测模型应该在有限的一组可能的制度上训练后,在以前看不见的控制变量组合或制度上表现良好。对于描述这种分布外泛化的NN,它们应该能够理清控制变量和因变量之间的各种依赖关系。我们假设,一个模块化的NN架构指导下的控制变量的独立性作为一个潜在的有用的归纳偏见,为此。通过对玩具数据集和模拟电动机数据集进行广泛的实证评估,我们表明,我们提出的模块化NN架构可以作为一种简单而高效的归纳偏差,与标准NN相比,它可以更好地预测因变量到大范围,并且确实捕获了因变量和控制变量之间的真实依赖关系。
2021-03-07 cs.AI cs.LG cs.RO
Forecasting large collections of time series: feature-based methods
University of Science & Technology Beijing(北京科技大学);Central University of Finance and Economics(中央财经大学);Beihang University(北京航空航天大学)
本章综述面向大规模时间序列集合预测的两类基于特征的方法——模型选择与模型组合,并结合开源实现介绍相关最新进展。
2023-09-25 cs.LG
A review and comparison of strategies for multi-step ahead time series forecasting based on the NN5 forecasting competition
Université Libre de Bruxelles(布鲁塞尔自由大学);Cairo University(开罗大学)
多步预测仍然是时间序列预测中的一个公开挑战。处理这个复杂问题的几种方法已经在文献中提出,但大量的任务上的广泛比较仍然缺失。本文旨在通过回顾现有的多步预测策略,并在理论和实践方面进行比较,以填补这一空白。为了实现这样的目标,我们使用大型实验基准(即NN5预测竞赛的111系列)对这些不同的策略进行了大规模比较。此外,我们考虑了去季节化,输入变量的选择和预测组合对这些策略和多步提前预测的影响。以下三个发现似乎是一致的实验结果支持:多输出策略是最好的表现方法,去季节化导致统一提高预测精度,输入选择是更有效的,当与去季节化一起执行。
2011-08-16 cs.AI cs.LG stat.AP
Tsururu: A Python-based Time Series Forecasting Strategies Library
Sber AI Lab(Sber AI实验室);Sber;Skoltech;MIPT;ISP RAS Research Center for Trusted Artificial Intelligence(俄罗斯科学院可信人工智能研究中心)
Tsururu是一个Python时间序列预测策略库,通过灵活组合全局、多变量及多步超前预测策略并兼容多种模型,解决训练方法选择问题,连接前沿研究与工业应用。
2025-09-19 cs.LG
Combining Multiple Time Series Models Through A Robust Weighted Mechanism
Jawaharlal Nehru University(尼赫鲁大学)
通过组合多种模型来提高时间序列预测精度是一个重要的动态研究领域。因此,各种预测组合方法已在文献中开发。然而,他们中的大多数是基于简单的线性集成策略,因此忽略了两个或多个参与模型之间可能存在的关系。在本文中,我们提出了一个强大的加权非线性集成技术,该技术考虑了来自不同模型的个人预测以及它们之间的相关性,同时组合。建议的合奏构建使用三个著名的预测模型,并测试三个真实世界的时间序列。最后将该方法与其它三种常用的线性组合方法的预测误差进行了比较。这种比较表明,我们的集成方案提供了显着低于每个单独的模型,以及四个线性组合方法的预测误差。
2013-02-26 cs.AI stat.AP
A Fast Evidential Approach for Stock Forecasting
Southwest University(西南大学)
在证据理论的框架下,不同信息的置信函数可以组合成一个组合置信函数来解决不确定性问题。Dempster组合规则是一种经典的信息融合方法。本文提出了一种时间序列中时间点的相似置信函数。利用Dempster组合规则对上一个时间点的增长率进行融合,最终得到一个相对准确的预测数据。股票价格预测是经济学关注的问题。股票价格数据量大,同时需要更准确的预测。经典的时间序列预测方法,如ARIMA,不能同时兼顾预测效率和预测精度。本文将证据理论的融合方法应用于股票价格预测。证据理论处理了股票价格预测的不确定性,提高了预测的准确性。同时,证据理论融合方法时间复杂度低,预测处理速度快。
2021-07-17 cs.AI q-fin.ST stat.AP
C2FAR: Coarse-to-Fine Autoregressive Networks for Precise Probabilistic Forecasting
Huawei Cloud, Alkaid Lab Canada(华为云,Alkaid 实验室加拿大)
C2FAR提出从粗到细的自回归网络,通过层次化离散化以线性复杂度实现指数级精度提升,用于概率预测,支持离散与连续序列,并在多个基准上超越现有方法。
2023-12-22 cs.AI cs.LG
Artificial Intelligence and Statistical Techniques in Short-Term Load Forecasting: A Review
电力公司依赖于短期需求预测,以主动调整生产和分配的预期重大变化。该系统综述分析了2000年至2019年期间发表在学术期刊上的240篇论文,这些论文专注于将人工智能(AI),统计和混合模型应用于短期负荷预测(STLF)。这项工作是迄今为止对这一主题的工作进行的最全面的审查。对文献进行了完整的分析,以确定最流行和最准确的技术以及现有的差距。研究结果表明,尽管人工神经网络(ANN)仍然是最常用的独立技术,但研究人员一直非常倾向于选择不同技术的混合组合,以利用单个方法的综合优势。审查表明,它通常是可能的,这些混合组合,以实现预测精度超过99%。最成功的短期预报持续时间被确定为以小时为间隔的一天的预测。审查发现,在获取培训模型所需的数据集方面存在缺陷。在亚洲、欧洲、北美和澳大利亚以外的研究区域,发现了一个重大差距。
2021-12-29 cs.AI cs.LG eess.SP
LightCTS: A Lightweight Framework for Correlated Time Series Forecasting
Aalborg University(奥尔堡大学);Zhejiang University(浙江大学);Roskilde University(罗斯基勒大学)
相关时间序列(CTS)预测在流量管理、服务器负载控制等实际应用中发挥着重要作用。已经提出了许多深度学习模型来提高CTS预测的准确性。然而,尽管模型变得越来越复杂和计算密集,但它们很难提高准确性。追求不同的方向,这项研究的目的是实现更高效,轻量级的模型,保持准确性,同时能够部署在资源受限的设备上。为了实现这一目标,我们流行的CTS预测模型的特点,并产生两个观察,指示轻量级CTS预测的方向。在此基础上,我们提出了LightCTS框架,采用时间和空间运算符的简单堆叠,而不是计算成本高得多的交替堆叠。此外,LightCTS还具有称为L-TCN和GL-Former的轻型时间和空间运算符模块,可在不影响其特征提取功能的情况下提高计算效率。LightCTS还包含最后一次压缩方案,以减少冗余的时间特征并加快后续计算。单步和多步预测基准数据集的实验表明,LightCTS能够在大大降低计算和存储开销的情况下获得接近最先进的精度。
2023-02-27 cs.AI cs.DB cs.LG
FFORMPP: Feature-based forecast model performance prediction
提出了一种新的用于时间序列预测模型性能预测的元学习算法。我们的预测误差模型作为一个功能的时间序列功能计算的历史时间序列与一个有效的贝叶斯多元曲面回归方法。然后,最小预测预报误差用于识别单个模型或模型组合,以产生最终预报。众所周知,大多数元学习模型的性能取决于用于训练的参考数据集的代表性。在这种情况下,我们增加了参考数据集与基于特征的时间序列模拟方法,即GRATIS,在生成一个丰富的和有代表性的时间序列集合。建议的框架进行了测试,使用M4竞争数据,并与常用的预测方法进行比较。我们的方法提供了与其他模型选择/组合方法相当的性能,但在较低的计算成本和较高程度的可解释性,这是重要的支持决策。我们还提供了有用的见解,预测模型,预计更好地为特定类型的时间序列,元学习器的内在机制和预测性能如何受到各种因素的影响。
2021-07-08 stat.AP
Energy-Environment evaluation and Forecast of a Novel Regenerative turboshaft engine combine cycle with DNN application
在能量-环境分析的基础上,对某涡轴发动机进行了进气冷却和再生冷却的综合评价。首先,研究了飞行马赫数、飞行高度、主循环压气机1压缩比、主循环涡轮1进口温度、涡轮2温度比、副循环压缩比、进气冷却系统进气温度变化对回热式涡轴发动机循环某些性能参数的影响研究了以氢气为燃料时,燃料消耗率、功率输出、热效率以及氮氧化物(NOx)(包括NO和NO2)的质量流量等性能。因此,在分析的基础上,开发了一个模型来预测的能量环境性能的再生涡轮轴发动机循环配备了冷却空气冷却系统的基础上的深度神经网络(DNN)的2个隐藏层与625个神经元为每个隐藏层。该模型提出了预测的热效率和氮氧化物(NOx)含有NO和NO2的质量流量的量。结果证明了集成DNN模型的准确性,其中对于两个预测输出都具有适量的MSE、MAE和RMSD代价函数,以验证测试和训练数据。此外,对于热效率和NOx排放质量流率预测值的验证以及其训练和测试数据,对于热效率和NOx排放质量流率两者,R和R^2明显计算得非常接近1。
2022-09-24 cs.LG eess.SP
Parsimony, model adequacy and periodic correlation in forecasting time series
本文总结了我们最近在季节性河流流量预报方面的工作,说明了Box \& Jenkins(1970)的模拟原理的优点。具体来说,这项工作表明,简约的原则,这是最近受到质疑的几个作者,是有助于选择最佳模型预测季节性河流流量。我们的工作也证明了模型充分性的重要性。一个适合的季节性河流流量模型必须包含季节性的周期相关性。通常的自回归移动平均(ARMA)和季节ARMA模型在这方面是不够的季节性河流流量时间序列。本文提出了一种新的诊断检验方法,用于检验拟合ARMA模型的周期相关性。在拟合季节性ARMA模型时,建议常规使用此诊断检查。结果表明,这种诊断检查表明,许多季节性经济时间序列也表现出周期相关性。由于标准预测方法在这方面存在不足,因此可以得出结论,在许多情况下,所产生的预测是次优的。最后,还说明了预测的任意组合的局限性。结合预测从一个足够的吝啬模型与不足的模型并没有提高预测,而结合两个预测的两个不足的模型确实产生了改善预测性能。这些发现也支持Box \& Jenkins的模型构建理念。Newbold \& Granger(1974)和Winkler \& Makridakis(1983)的非直观发现,即相似模型的预测的明显任意组合将导致预测性能,但我们对河流流量预测的案例研究并不支持这一发现。
2016-11-04 math.ST stat.AP stat.TH
Short-term CO2 emissions forecasting: insight from the Italian electricity market
University of Padua(帕多瓦大学)
本文通过评估多种模型和组合方法,探讨了意大利电力市场中短期碳排放预测的准确性,发现GAM在白天表现最佳,组合方法整体优于单个模型。
2025-12-17 stat.AP
Hierarchical forecasting: The role of information
Monash University(莫纳什大学)
本文提出信息组合(IComb)方法,通过结合不同信息集的基础预测来改进分层时间序列预测,并证明信息组合与聚合约束对预测改进的独立贡献。
2026-05-28 stat.CO stat.ME
Weakly Convergent Nonparametric Forecasting of Stationary Time Series
给定一个平稳过程的无限过去,下一个结果的条件分布可以从过去的有限但不断增长的片段中推断出来。已知有几种方案用于构造逐点相合估计,但它们都需要大量的输入数据。在本文中,我们考虑实值时间序列和构造条件分布估计,使更有效地利用输入数据。这些估计在弱意义上是一致的,它们是否逐点一致的问题仍然是开放的。对于有限字母表过程,可以依赖于通用的数据压缩方案,如Lempel-Ziv算法来构造在预期的信息散度中一致的条件概率质量函数估计。对于具有无限字母表中的值的所有平稳过程,在普适意义上不能达到这种强意义上的一致性,但弱一致性可以。讨论了这些估计在在线预测、回归和分类中的应用。
2008-05-20 cs.IT math.IT math.ST
Computation for Epidemic Prediction with Graph Neural Network by Model Combination
City University of Hong Kong(香港城市大学)
针对流行病时空建模的挑战,本文提出混合图神经网络模型EpiHybridGNN,整合EpiGNN和ColaGNN的优势,通过风险编码、区域感知图学习与动态注意力等机制提升预测性能,实验验证其显著优于现有模型。
2025-11-19 stat.CO
Benchmarks for Solar Radiation Time Series Forecasting
University of Corsica(科西嘉大学);UK Power Networks(英国电力网络);Harbin Institute of Technology(哈尔滨工业大学)
本文提出了一种用于太阳辐射时间序列预测的基准测试方法,通过比较多种简单参考模型,发现ARTU和组合模型在预测性能上表现最佳。
2022-03-18 physics.ao-ph physics.data-an stat.AP