Nonlinear Probabilistic Forecast Reconciliation
SUPSI, Institute for Applied Sustainability in the Built Environment(应用建筑环境可持续发展研究所);IDSIA (USI-SUPSI), Dalle Molle Institute for Artifical Intelligence(达勒莫勒人工智能研究所)
本文首次提出处理非线性约束的概率预测协调方法,通过投影和条件化两种方法提升预测准确性,UKF方法在速度和性能上表现最佳。
2026-09-18 stat.ME
Cross-temporal probabilistic forecast reconciliation: Methodological and practical issues
本文提出跨时间概率预测调和框架,结合高斯与自举抽样及多步残差协方差估计,通过模拟和GDP、旅游需求实验证明其显著优于不协调预测。
2023-10-27 stat.AP stat.CO stat.ME
Forecast reconciliation meets compositional data analysis: A study of Italian cause-specific age-at-death
University of Foggia(福贾大学);Sapienza University of Rome(罗马智慧大学);University of Campania ”Luigi Vanvitelli”(坎帕尼亚路易吉·凡维特利大学);Macquarie University(麦考瑞大学)
本研究将成分数据分析整合到分层时间序列预测中,提出新框架用于意大利死因别死亡率预测,确保聚合一致性并显著提升预测可靠性,尤其在总死亡率及按死因和性别的预测中表现优于传统方法。
2026-09-17 stat.AP stat.ME
Multivariate reconciliation for hierarchical time series
Federal University of Bahia(巴伊亚联邦大学);Secretary of Health of the State of Bahia(巴伊亚州卫生部);Monash University(莫纳什大学);University of Pretoria(比勒陀利亚大学)
本文提出了一种多变量重新协调方法,用于确保层级时间序列的预测一致性,并考虑变量间的关系。通过数值模拟和实际数据验证,该方法在模拟数据和实际应用中均优于传统方法。
2026-05-18 stat.AP stat.ME
Discrete forecast reconciliation
针对离散值(含低计数)分层时间序列预测的协调问题,本文提出基于二次规划求解指派问题的框架与两种离散算法,经仿真和实证验证其预测精度优于基准方法。
2024-04-15 stat.ME
Probabilistic forecast reconciliation under the Gaussian framework
多变量时间序列的预测协调是将一组不相关的预测映射为相关的预测以满足给定的一组线性约束的过程。常用的基于投影矩阵的点预测调和方法是OLS(普通最小二乘)、WLS(加权最小二乘)和MinT(最小迹)。即使点预测和解是一个成熟的研究领域,文献生成概率预测线性约束是有限的。可用的方法遵循两步程序。首先,它从拟合到集合中每个系列的单变量模型中绘制未来样本路径(这些模型是不相干的)。其次,它使用基于投影矩阵的方法或基于经验copula的重新排序方法来考虑同期相关性和线性约束。通过优化评分规则(如能量或变差函数评分)或简单地使用为点预测调和导出的投影矩阵来估计投影矩阵。本文证明了:(a)如果非相干预测分布为高斯分布,则MinT最小化对数评分规则;(b)MinT对每个边缘预测密度的对数评分小于OLS的对数评分。我们使用一组模拟研究显示这些理论结果。我们还使用澳大利亚国内旅游数据集对其进行评估。
2021-03-20 stat.ME
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
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
Efficient probabilistic reconciliation of forecasts for real-valued and count time series
IDSIA, Dalle Molle Institute for Artificial Intelligence(IDSIA,达莱·莫莱人工智能研究所);Department of Mathematics, University of Pavia(帕维亚大学数学系)
本文提出基于条件化的概率协调新方法,并引入自下而上重要性采样算法,适用于任意分布,显著加速并提升分层时间序列预测的一致性。
2023-10-12 cs.LG stat.ML
Probabilistic Reconciliation of Count Time Series
本文针对计数时间序列缺乏概率协调框架的问题,提出适用于实值和计数变量的一致性定义与基于 Bayes' rule 推广的新协调方法,实验证明其相比概率 Gaussian 协调显著提升了预测效果。
2023-04-26 stat.ME stat.ML
Coherent Hierarchical Forecasting for Proportion and Discrete Time Series
本文提出一种基于卷积和指数倾斜的事后层次预测方法,用于离散和有界时间序列的相干预测,在模拟和实证中表现优于现有协调方法。
2026-09-17 stat.AP stat.ME
Rediscovering Bottom-Up: Effective Forecasting in Temporal Hierarchies
本研究探讨时间层级中预测协调方法对时间聚合ARIMA模型的影响,首次在理论上证明最优方法为自下而上的聚合,并通过模拟和真实数据验证了该发现。
2024-09-26 stat.ME
Properties of point forecast reconciliation approaches
在过去的十年里,时间序列的收集与线性聚合约束的点预测协调已经有了很大的发展。一些常用的方法是GLS(广义最小二乘),OLS(普通最小二乘),WLS(加权最小二乘)和MinT(最小迹)。GLS和MinT具有类似的数学表达式,但它们的不同之处在于所使用的协方差阵。OLS和WLS可以被认为是MinT的特殊情况,它们的不同之处在于对协方差阵的结构所做的假设。所有这些方法都确保了调和预测是无偏的,前提是基础预测是无偏的。经验风险最小化方法的提出放宽了无偏性假设。本文证明了:(a)GLS和MinT可归结为相同的解;(b)平均而言,(我们称之为MinT-U)可以产生比MinT更好的预测(最低总均方误差),然后是OLS,然后是基线;以及(c)MinT-U结构中每个序列的均方误差小于MinT结构中每个序列的均方误差,MinT结构中每个序列的均方误差之后是OLS或基本预测。我们使用一组模拟研究显示这些理论结果。我们还使用澳大利亚国内旅游数据集对其进行评估。
2021-03-20 stat.ME
Reconciling Hierarchical Forecasts via Bayes' Rule
我们提出了一种新的方法来协调层次预测,基于贝叶斯规则。我们定义了一个先验分布的底部时间序列的层次结构,基于底部的基础预测。然后,我们更新他们的分布,通过贝叶斯规则,基于上时间序列的基本预测。在高斯假设下,我们得到了封闭形式的更新。我们推导出两个算法,这是不同的假设的独立性。我们讨论了他们的关系与MinT和解算法和卡尔曼滤波器,我们比较实验。
2020-06-22 stat.AP
Iterative Trace Minimization for the Reconciliation of Very Short Hierarchical Time Series
针对极短且层级较大的时间序列中 MinT 协方差估计困难的问题,提出减少待估参数的迭代迹最小化方法,并通过模拟与 WSTS 半导体案例验证其预测精度提升。
2025-03-19 stat.ME
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
Enhancements in cross-temporal forecast reconciliation, with an application to solar irradiance forecasts
在Yang et al.(2017 a,b)和Yagli et al.(2019)最近的工作中,已经考虑了加利福尼亚州模拟光伏数据集的分层光伏(PV)发电的地理,时间和顺序确定性协调。在前两种情况下,分别在空间和时间域进行协调。为了进一步提高预测精度,在第三种情况下,这两种调和方法依次应用。在复制的预测实验,出现了一些问题的非负性和连贯性(在空间和/或时间)的顺序调和的预测。此外,虽然所考虑的方法在基准持久性预测的准确性提高是清晰可见的,在任何数据粒度,我们认为,一个更好的性能可以通过彻底利用跨时间层次结构。在本文中,跨时间点预测调和方法适用于生成非负的,完全一致的(在空间和时间)的预测。特别是,两步,迭代和同步跨时间协调程序之间的一些关系是第一次建立,最终协调的预测的非负性问题,正确地处理在一个简单的方式,并采用最新的跨时间协调方法。标准化的均方根误差被用来衡量预测的准确性,并进行统计多重比较程序来排名的方法。除了确保协调预测的完全一致性和非负性外,结果还表明,对于所考虑的数据集,跨时间预测协调在任何横截面层次和任何时间粒度上都显着改善了Yagli等人提出的顺序程序(2019)。
2022-09-15 stat.AP
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
Forecasting multiple functional time series in a group structure: an application to mortality
在对地方死亡率进行建模时,我们应该考虑三个特点:(1)如何通过多人口联合建模来考虑各亚人口之间的任何可能的相关性,以潜在地提高预测准确性;(2)如何协调地方死亡率预测,以便它们在群体结构的各个层次上充分聚合;(3)在各种预测调节方法中,如何将它们的预测合并,以提高预测的准确性。为了解决这些问题,我们引入了一个扩展的分组单变量函数时间序列方法。我们首先考虑一个多元函数时间序列方法来联合预测多个相关序列。然后,我们评估的影响和效益,使用预测组合之间的预测调节方法。使用日本地区的年龄别死亡率,我们调查一步前进到15步前进点和区间预测精度,我们提出的扩展,并提出建议。
2020-01-10 stat.ME
Reconciling forecasts of infant mortality rates at national and sub-national levels: Grouped time-series methods
死亡率往往按性别、州、教育、宗教或族裔等不同属性分列。预测国家和国家以下各级的死亡率在制定与国家和国家以下各级有关的社会政策方面发挥着重要作用。然而,国家以下各级的基本预测可能与国家一级的预测不一致。为了解决这个问题,我们从分组时间序列预测方法的角度考虑了协调死亡率预测的问题(Hyndman等人,2011年)。一个自下而上的方法和最佳组合方法被应用到生产点预测的婴儿死亡率,适当地聚集在不同层次的层次结构。我们扩展这两种方法,考虑通过自助程序的区间预测的和解。以澳大利亚地区婴儿死亡率为例,研究了独立预测方法和两种分组时间序列预测方法的一步到20步预测精度和区间预测精度。所提出的方法被证明是有用的调和点和区间预测的人口率在国家和国家以下各级,并将有利于政府的政策决定,在国家和国家以下各级的当前和未来的资源分配。
2016-08-31 stat.AP
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
Hierarchical Forecasting of Dengue Incidence in Sri Lanka
斯里兰卡的登革热发病率仍然很高,给该国造成了巨大的负担。因此,斯里兰卡国家登革热控制单位提出了一项预防和控制登革热发病率的国家行动计划。为了实施必要的短期和长期行动,拟议的计划在三个层面上运作:国家级、省级和地区级。为了优化资源分配,卫生官员需要国家、省和地区各级的预测,这保持了与地区、省和国家各级相关的总体一致性以及时间相关性。因此,本研究的目的是预测登革热发病率在斯里兰卡使用分层时间序列预测方法的基础上,空间和时间层次结构。层次预测包括两个步骤,如生成基本预测和这些基本预测的协调。在本研究中,使用指数平滑(ETS)和自回归整合移动平均(ARIMA),NAIVE,季节NAIVE方法和平均方法来产生基本预测。预测的准确性使用平均绝对尺度误差(MASE)进行评估。我们比较了层次时间序列预测的准确性与其他基准方法。预测精度表明,国家、省和地区的最佳预测方法并不局限于单一的方法。因此,我们调查的原因,在不同的预测方法的基础上,基于时间序列特征的可视化方法的性能变化。
2021-12-02 stat.AP
A machine learning approach for forecasting hierarchical time series
University of Rome Tor Vergata(罗马第二大学)
在本文中,我们提出了一个机器学习方法预测分层时间序列。在处理分层时间序列时,除了生成准确的预测外,还需要选择一种合适的方法来生成协调的预测。预测调节是调整预测以使其在整个层次结构中保持一致的过程。在文献中,一致性往往是通过使用后处理技术的基础上产生适当的时间序列预测方法的预测。相反,我们的想法是使用深度神经网络直接产生准确和协调的预测。我们利用深度神经网络的能力来提取捕获层次结构的信息。我们在训练时通过最小化定制的损失函数来进行协调。在许多实际应用中,除了时间序列数据,层次时间序列包含解释变量,有利于提高预测精度。利用这些进一步的信息,我们的方法链接到一个端到端的神经网络提供准确和协调的点预测的层次结构和解释变量的任何级别提取的时间序列特征之间的关系。在三个真实数据集上验证了该方法的有效性,其中我们的方法在分层预测中优于最先进的竞争对手。
2021-05-03 cs.LG stat.ML
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
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
Forecasting Australian fertility by age, region, and birthplace
本文采用分组函数时间序列模型并结合层级协调方法,对澳大利亚按年龄、地区和出生地划分的生育率进行一致预测,迹最小化协调取得最优预测效果。
2024-10-24 stat.AP stat.ME
Constructing hierarchical time series through clustering: Is there an optimal way for forecasting?
本文研究预测协调中层次结构的构建方式,通过比较多种时间序列聚类表示与距离定义、随机置换实验及跨层次预测平均,发现准确性提升主要来自层次结构而非相似序列分组,且多方法平均表现最佳。
2024-09-08 stat.ME
Exploiting Intraday Decompositions in Realized Volatility Forecasting: A Forecast Reconciliation Approach
本文提出利用RV日内分解的层次结构进行预测协调,并基于道琼斯工业指数及其成分股验证其可提升样本外预测准确性。
2023-06-05 stat.AP stat.ME
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
Scaleable Dynamic Forecast Reconciliation
本文提出一种可扩展的动态概率预测协调方法,允许权重随时间变化并使用样本外预测,通过闭式协方差估计和层级分解实现大规模数据处理。
2024-09-19 stat.AP stat.ME
Online forecast reconciliation using linear models
Technical University of Denmark(丹麦技术大学)
提出基于线性回归模型的在线自适应预测与层次协调框架,利用矩阵正态分布刻画残差,通过岭回归实现参数估计与协调,并给出递归推理算法,在区域供热负荷预测案例中验证有效性。
2026-06-23 stat.AP stat.ME
Automobile demand forecasting: Spatiotemporal and hierarchical modeling, life cycle dynamics, and user-generated online information
School of Management, Technical University of Munich(慕尼黑技术大学管理学院);Munich Data Science Institute(慕尼黑数据科学研究所)
本文提出了一种结合时空依赖性和用户生成在线信息的多层级汽车需求预测方法,利用LightGBM和混合整数线性规划提升预测精度,强调整数预测对运营的重要性。
2025-11-21 cs.LG stat.AP
Multivariate GARCH and portfolio variance prediction: A forecast reconciliation perspective
University of Padova(帕多瓦大学)
本文通过预测修复技术结合单变量和多变量投资组合风险预测,探讨在真实数据中提升传统GARCH投资组合方差预测的方法。
2026-04-21 econ.EM q-fin.RM q-fin.ST
Insights into regression-based cross-temporal forecast reconciliation
本文研究跨时间预测协调中顺序、迭代与最优组合方法的等价及收敛关系,并通过光伏发电预测实验验证其精度与高维计算效率。
2024-10-25 stat.AP stat.CO stat.ME
Forecasting of a Hierarchical Functional Time Series on Example of Macromodel for Day and Night Air Pollution in Silesia Region: A Critical Overview
在经济学中,我们经常面对一个系统,它本质上强加了一个其组成部分的层次结构,即,建立与外汇有关的贸易账户模型或优化区域空气保护政策。在统计和计量经济学文献中,已经多次讨论了在不同层次上获得的预测的协调问题,并且关注将在不同层次上独立获得的预测合并在一起。本文讨论了这个问题的情况下,一个层次的功能时间序列。我们提出并批判性地讨论了一个国家的艺术,并指出这些方法的应用到一定的环境保护问题的机会。我们批判性地比较从文献中已知的最佳预测与我们自己的原始建议。在本文中,我们研究了一个宏观模式描述白天和夜间的空气污染在Silkworm地区分为五个分区。
2017-11-25 econ.EM stat.AP
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
Balancing Accuracy and Costs in Cross-Temporal Hierarchies: Investigating Decision-Based and Validation-Based Reconciliation
本文提出利用验证误差进行协方差估计和基于决策的聚合层级,在跨时间预测中平衡准确性与决策成本,实验表明基于决策的调和更实用。
2024-12-15 stat.AP stat.ME
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
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
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
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
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
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
Cross-Temporal Forecast Reconciliation at Digital Platforms with Machine Learning
针对数字平台高维跨截面与跨时间预测协调的需求,提出一种基于机器学习的非线性分层预测协调方法,能直接自动化生成连贯预测并支持高频决策,在配送与共享单车数据集上验证了有效性。
2024-05-31 econ.EM stat.AP stat.ME
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
Asset Bundling for Wind Power Forecasting
Georgia Institute of Technology(佐治亚理工学院)
本文提出 Bundle-Predict-Reconcile 框架,通过学习资产捆绑层级并协调多尺度风电预测,在 MISO 的 283 个风电场数据上显著提升短期与日前预测精度。
2023-09-28 cs.AI stat.AP stat.ME
Local vs. Global Models for Hierarchical Forecasting
The University of Queensland(昆士兰大学);Queensland University of Technology(昆士兰科技大学)
本研究对比了局部模型与全局预测模型在层次化时间序列预测中的表现,开发了利用跨序列与跨层次信息的GFMs,并引入基于LightGBM的模型,证明了其在准确性和计算效率上优于传统方法。
2024-11-10 cs.LG 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
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
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
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
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
Optimizing accuracy and diversity: a multi-task approach to forecast combinations
National Research Council(国家研究理事会);Sapienza University of Rome(罗马萨皮恩扎大学)
提出一种基于深度学习架构的多任务优化方法,通过联合选择与组合预测模型,同时考虑准确性和多样性,提升时间序列点预测精度。
2026-05-31 cs.LG math.OC stat.ML
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