Trojan horse hunt in deep forecasting models: Insights from the European Space Agency competition
KP Labs(KP实验室);Silesian University of Technology(西里西亚技术大学);Warsaw University of Technology, Centre of Credible AI(华沙技术大学可信人工智能中心);Indian Institute of Technology Patna(印度理工学院帕纳瓦分校);European Space Agency, European Space Operations Center(欧洲航天局欧洲空间操作中心)
本文探讨深度预测模型中特洛伊马攻击的安全风险,通过欧洲航天局竞赛展示如何识别隐藏的触发器,总结关键洞察和研究方向。
2026-03-20 cs.CR cs.LG
Hedging and Approximate Truthfulness in Traditional Forecasting Competitions
University of Colorado Boulder(科罗拉多大学博尔德分校)
本文首次正式分析预测竞赛传统机制,证明“长期真实性”不成立,最佳预测者可能通过对冲增加获胜概率,但在参赛者对对手和事件结果有充分不确定性时能实现近似真实。
2024-10-11 cs.GT cs.LG
Probabilistic Energy Forecasting using Quantile Regressions based on a new Nearest Neighbors Quantile Filter
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
参数分位数回归是创建概率能源预测的有用工具。尽管如此,由于经典分位数回归是使用不可微的成本函数训练的,因此使用复杂的数据采掘技术(例如,人工神经网络)可能是复杂的。本文提出了一种方法,使用一个新的最近邻分位数过滤器,以获得独立的分位数回归所利用的数据采掘技术,没有不可微的成本函数。此后,使用2014年全球能源预测竞赛的数据集进行验证所提出的方法。结果表明,所提出的方法是能够解决类似的准确性,在类似的时间竞争的冠军的竞争任务,但需要一个强大得多的计算机。该属性可能与在线预测服务相关,对于该在线预测服务,需要使用不那么强大的机器来快速计算概率预测。
2019-03-18 cs.LG stat.ML
Competition-Aware CPC Forecasting with Near-Market Coverage
Nova School of Business and Economics(新里斯本大学商业与经济学院);University of Hamburg(汉堡大学)
针对付费搜索中部分可观测的竞争环境,提出结合语义邻域、行为邻域和地理意向协变量的竞争感知CPC预测方法,在短期(1周)图模型降低sMAPE 15.1%,长期(6-12周)协变量增强基础模型降低sMAPE 22.5%-27.6%。
2026-07-02 cs.AI cs.LG
Trojan Horse Hunt in Time Series Forecasting for Space Operations
KP Labs(KP实验室);Silesian University of Technology(桑特大学);Warsaw University of Technology(华沙技术大学);European Space Agency(欧洲航天局);European Space Operations Center(欧洲空间运营中心)
本文介绍一项 Kaggle 竞赛,要求参赛者开发新方法以发现并重建注入到 45 个 N-HiTS 卫星遥测预测模型中的 45 个多变量时间序列触发器,以应对安全关键型太空作业中的对抗性投毒威胁。
2025-06-02 cs.CR cs.LG
A Parsimonious Setup for Streamflow Forecasting using CNN-LSTM
University of Nebraska-Lincoln(内布拉斯加大学林肯分校)
本研究将CNN-LSTM拓展应用于时间序列场景的流量预测,结合滞后流量、降水与温度数据建模,在内布拉斯加州多数HUC8流域实现了预测性能的显著提升,验证了其在时空水文建模中的有效性。
2024-04-11 cs.LG
Auxiliary Quantile Forecasting with Linear Networks
University of Hildesheim(希尔德斯海姆大学)
我们提出了一种新的多任务方法,用于共享线性层的分位数预测。我们的方法是基于隐式分位数学习方法,其中来自均匀分布$\mathcal{U}(0, 1)$的样本被重新参数化为目标分布的分位数值。我们结合隐式分位数和输入时间序列表示,直接预测多个分位数估计多个视野联合。先前的工作已经采用了线性层,用于在多任务学习设置中直接估计所有预测范围。我们表明,根据多任务学习的类似直觉,利用预测范围之间的相关性,我们可以为每个预测范围建模多个分位数估计作为辅助任务,以提高分位数估计的预测准确性,而不是仅建模单个分位数估计。我们发现学习辅助分位数任务导致确定性预测基准的最先进的性能,关于预测50 $^{th}$百分位估计的主要任务。
2022-12-05 cs.LG stat.ME
Forecasting with time series imaging
Beihang University(北京航空航天大学);Central University of Finance and Economics(中央财经大学)
基于时间序列的时间序列表示在广泛的时间序列分析方法中引起了极大的关注。近年来,利用时间序列特征进行预测模型平均已成为预测界的一个新兴研究热点。然而,大多数现有的方法依赖于手动选择一组适当的功能。利用机器学习方法从时间序列中自动提取特征在最先进的时间序列分析中变得至关重要。在本文中,我们介绍了一种自动化的方法来提取时间序列特征的基础上时间序列成像。我们首先将时间序列转换成递归图,从其中可以使用计算机视觉算法提取局部特征。提取的特征用于预测模型平均。我们的实验表明,预测的基础上自动提取的功能,更少的人为干预和更全面的原始时间序列数据,产生高度可比的性能与最大的预测竞争数据集(M4)的最佳方法,并优于旅游预测竞争数据集的顶级方法。
2020-06-05 cs.CV cs.LG stat.CO
Approaching sales forecasting using recurrent neural networks and transformers
University of Valencia(瓦伦西亚大学)
准确、快速的需求预测是供应链中的热门话题之一,可以精确执行相应的下游流程(入站和出站计划、库存放置、网络规划等)。我们开发了三种替代方案,以解决使用深度学习技术和Corporación Favorita数据集(作为Kaggle竞赛的一部分发布)预测日/商店/商品级别的客户销售额的问题。我们的实证结果表明,如何良好的性能可以通过使用一个简单的序列到序列的架构,以最小的数据预处理工作。此外,我们还描述了一个训练技巧,使模型更加独立于时间,从而随着时间的推移提高泛化能力。所提出的解决方案实现了约0.54的RMSLE,这与Kaggle竞赛中提出的问题的其他更具体的解决方案具有竞争力。
2022-04-16 cs.AI cs.LG stat.AP
A study on Ensemble Learning for Time Series Forecasting and the need for Meta-Learning
NEC Laboratories Europe GmbH(NEC欧洲研究院)
本文的贡献有两个方面:(1)我们引入了一系列用于时间序列预测的集成方法,以组合来自基础模型的预测。我们展示了集成学习预测能力的见解,展示了来自M4,M5,M3竞赛以及FRED(美联储经济数据)数据集的大约16000个公开数据集的实验结果。虽然实验表明,集成提供了预测结果的好处,没有明确的获胜集成策略(加上超参数配置)。因此,此外,(2),我们提出了一个元学习步骤,为每个数据集选择最合适的集成方法及其超参数配置,以基于数据集元特征运行。
2021-04-23 cs.LG
Criteria for Classifying Forecasting Methods
Amazon Development Center Germany(亚马逊德国开发中心)
将预测方法分类为“机器学习“或“统计”性质在部分预测文献和社区中已变得司空见惯,如M4竞赛和组织者得出的结论所示。我们认为,这种区别并不源于分配给任何类的方法的根本差异。相反,这种区别可能是部落性质的,这限制了对不同预测方法的适当性和有效性的了解。我们提供了预测方法的替代特征,在我们看来,可以得出有意义的结论。此外,我们还讨论了可以从ML和统计社区之间的异花授粉中受益最多的预测领域。
2022-12-07 cs.LG stat.ML
Impact of HPO on AutoML Forecasting Ensembles
Amazon Research(亚马逊研究院)
本文研究在含多种估计器的AutoML预测集成模型中,为深度学习模型加入不同超参数优化策略的成本与性能权衡,最终方案准确率优于基线且性能超过商用Amazon Forecast。
2023-11-07 cs.AI cs.LG
Forecasting Across Time Series Databases using Recurrent Neural Networks on Groups of Similar Series: A Clustering Approach
Monash University(莫纳什大学);Uber Technologies Inc(优步科技公司)
随着大数据的出现,现在在许多应用程序中,包含大量相似时间序列的数据库是可用的。用传统的单变量预测程序预测这些领域的时间序列,留下了巨大的潜力,产生准确的预测尚未开发。循环神经网络(RNN),特别是长短期记忆(LSTM)网络,最近已经证明,当在所有可用的时间序列上进行训练时,它们能够在这种情况下胜过最先进的单变量时间序列预测方法。然而,如果时间序列数据库是异构的,准确性可能会退化,因此在这个空间中走向全自动预测方法的道路上,需要将时间序列之间的相似性的概念构建到方法中。为此,我们提出了一种预测模型,可以与不同类型的RNN模型一起使用,这些模型可以通过时间序列聚类技术识别。我们使用LSTM网络来评估我们提出的方法,LSTM网络是一种广泛流行的RNN变体。我们的方法在竞争评估程序下的基准数据集上取得了有竞争力的结果。特别是在平均sMAPE准确性方面,它始终优于基线LSTM模型,并且在CIF 2016预测竞赛数据集上优于所有其他方法。
2018-09-12 cs.DB cs.LG econ.EM
N-BEATS: Neural basis expansion analysis for interpretable time series forecasting
Element AI(元素人工智能公司);Mila(米拉人工智能研究所)
我们专注于使用深度学习解决单变量时间序列点预测问题。我们提出了一种基于向后和向前残差链接的深度神经架构,以及一个非常深的全连接层堆栈。该体系结构具有许多理想的属性,是可解释的,适用于广泛的目标域,无需修改,快速训练。我们测试了几个著名的数据集,包括M3,M4和TOURISM竞争数据集包含来自不同领域的时间序列的建议架构。我们为所有数据集展示了N-BEATS两种配置的最新性能,将预测准确性提高了11%,比去年的M4竞赛冠军提高了3%,M4竞赛是神经网络和统计时间序列模型之间的领域调整手工制作的混合体。我们模型的第一种配置不使用任何时间序列特定的组件,其在异构数据集上的性能强烈表明,与公认的智慧相反,深度学习原语(如残差块)本身足以解决广泛的预测问题。最后,我们演示了如何增强所提出的体系结构,以提供可解释的输出,而不会在准确性上造成相当大的损失。
2020-02-20 cs.LG stat.ML
Traffic Forecasting on Traffic Moving Snippets
ETH Zurich(苏黎世联邦理工学院)
交通预测技术的进步可以极大地影响城市交通。在traffic4cast竞赛中,短期交通预测的任务得到了前所未有的详细处理,交通量和速度信息每隔5分钟提供一次,空间分辨率很高。为了提高对未知城市的泛化能力,按照2021年扩展挑战的要求,我们建议预测小的二次城市部分,而不是一次处理整个城市栅格。在测试时,将测试数据分解为空间裁剪的重叠片段提高了最终预测的稳定性和鲁棒性,因为覆盖一个单元的多个补丁可以独立处理。通过在traffic4cast测试数据上的性能测试和在验证集上的进一步实验,表明分片预测确实提高了准确性。使用Unet++架构以及在测试时处理的每个样本的补丁数量增加,可以获得更多优势。我们的结论是,我们的基于片段的方法,结合竞争中提出的其他成功的网络架构,可以利用性能,特别是在看不见的城市。所有源代码都可以在https://github.com/NinaWie/NeurIPS2021-traffic4cast上找到。
2021-10-27 cs.CV cs.LG eess.IV
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
Two-Step Meta-Learning for Time-Series Forecasting Ensemble
Kaunas University of Technology(考纳斯理工大学);Rivile(Rivile私人有限责任公司)
收集的历史数据量增加,对自动预测时间序列的商业智能适用性的需求很高。虽然没有一个单一的时间序列建模方法是通用的所有类型的动态,预测使用的几种方法的合奏往往被视为一种妥协。我们建议使用元学习自适应地预测这些方面,而不是固定集成多样性和大小。这里的元学习考虑了两个独立的随机森林回归模型,建立在390个时间序列特征上,对22个单变量预测方法进行排名并推荐集成大小。因此,预测集合由排名最佳的方法组成,并使用简单平均或加权平均(权重对应于倒数排名)来汇总预测。所提出的方法进行了测试12561微观经济时间序列(扩大到38633各种预测视野)的M4竞争,元学习优于Theta和梳基准的相对预测误差为所有数据类型和视野。通过加权合并获得了最佳总体结果,对称平均绝对百分比误差为9.21%,而使用Theta方法获得的平均绝对百分比误差为11.05%。
2022-04-15 cs.LG stat.ME stat.ML
Traffic4cast-Traffic Map Movie Forecasting -- Team MIE-Lab
Institute of Cartography and Geoinformation, ETH Zurich(苏黎世联邦理工学院制图与地理信息研究所);Visual Geometry Group, University of Oxford(牛津大学视觉几何组)
IARAI竞赛traffic 4cast的目标是根据前一小时的信息,在15分钟的时间窗口内预测全市的交通状况。交通状况以多通道图像的形式给出(一个像素大致对应于100 x100米),其中一个通道表示交通量,另一个通道表示车辆的平均速度,第三个通道表示车辆的大致航向。作为竞赛工作的一部分,我们评估了许多不同的网络架构,详细分析了给定数据的统计特性,并考虑如何将问题转换为能够考虑其他时空上下文信息的问题,例如街道网络,交通灯的位置或天气。本文档总结了我们为获得最佳提交所做的努力,并提供了一些关于我们评估的其他方法的见解,以及为什么它们没有想象中的那么好。
2019-11-21 cs.CV cs.LG stat.ML
The Label Horizon Paradox: Rethinking Supervision Targets in Financial Forecasting
本文提出标签地平线悖论,指出最优监督信号常偏离预测目标,并基于动态信噪比权衡理论,提出双层优化框架自动寻找最优代理标签,在金融数据集上取得一致改进。
2026-08-20 cs.LG
Some variation of COBRA in sequential learning setup
Indian Institute of Technology, Guwahati(印度古瓦哈蒂印度理工学院)
本文提出序贯学习中基于组合回归策略变体的多元时间序列预测方法,结合特定预处理,并比较贝叶斯优化与网格搜索,在三类八个数据集上超越现有模型。
2024-04-07 cs.CE 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
A Variational U-Net for Weather Forecasting
从大气数据中发现模式和见解不仅可以实现更准确的天气预测,而且还可以提供有价值的信息来帮助应对气候变化。Weather 4cast是一项公开竞赛,旨在评估机器学习算法预测未来大气状态的能力。在这里,我们描述了Weather 4cast的第三位解决方案。我们提出了一种新的变分U-网,它结合了变分自动编码器的能力,考虑数据的概率性质与U-网的能力,以恢复细粒度的细节。该解决方案是从我们的第四名解决方案到具有许多共同点的mixic 4cast 2020的演变,表明其适用于天气和交通等截然不同的领域。
2021-11-05 cs.LG
GEFCOM 2014 - Probabilistic Electricity Price Forecasting
Budapest University of Technology and Economics(布达佩斯技术与经济大学)
能源价格预测是多步时间序列预测领域中的一个重要而又困难的课题。在本文中,我们比较了一个众所周知的和既定的方法,ARMA与一个相对较新的技术梯度提升回归的外生变量。该方法在2014年全球能源预测竞赛的数据上进行了测试,并进行了为期一年的滚动窗口预测。实验结果表明,多模型方法在误差度量方面表现得更好。梯度提升可以处理季节性和自相关的开箱即用,并在真实世界数据上实现较低的归一化平均绝对误差率。
2015-06-23 cs.CE cs.LG stat.AP
Monash University, UEA, UCR Time Series Extrinsic Regression Archive
Monash University(莫纳什大学);University of East Anglia(东英吉利大学);University of California Riverside(加州大学河滨分校)
时间序列的研究在过去的十年里引起了人们的广泛兴趣,特别是时间序列分类(TSC)和时间序列预测(TSF)。TSC的研究极大地受益于加州大学河滨分校和东安格利亚大学(UCR/UEA)的时间序列档案。另一方面,时间序列预测的进步依赖于时间序列预测竞赛,如Makridakis竞赛、NN 3和NN 5神经网络竞赛以及一些Kaggle竞赛。每年,成千上万的论文提出了新的算法TSC和TSF利用这些基准档案。这些算法是针对这些特定问题而设计的,但是对于诸如使用光电容积描记图(PPG)和加速度计数据来预测人的心率的任务可能没有用。我们将此问题称为时间序列外回归(TSER),其中我们感兴趣的是从单变量或多变量时间序列预测单个连续值的更一般的方法。该预测可以来自相同的时间序列或与预测器时间序列不直接相关,并且不一定需要是未来值或严重依赖于最近值。据我们所知,研究到TSER已经收到的关注少得多,在时间序列研究界,并没有开发一般的时间序列外在回归问题的模型。大多数模型都是针对特定问题开发的。因此,我们的目标是通过引入第一个TSER基准档案来激励和支持TSER的研究。这个档案包含来自不同领域的19个数据集,具有不同的维度数量,不等长的维度和缺失值。在本文中,我们介绍了这个档案中的数据集,并对现有模型进行了初步的基准测试。
2020-10-20 cs.LG stat.ML
Graph Neural Controlled Differential Equations for Traffic Forecasting
Yonsei University(延世大学)
交通量预测是机器学习领域最热门的时空任务之一。该领域的一种流行方法是将图卷积网络和递归神经网络相结合用于时空处理。有激烈的竞争和许多新的方法已经提出。本文提出了时空图神经控制微分方程(STG-NCDE)方法。神经控制微分方程(NCDE)是处理序列数据的突破性概念。我们扩展了这一概念,设计了两个NCDE:一个用于时间处理,另一个用于空间处理。然后,我们将它们合并到一个框架中。我们使用6个基准数据集和20个基线进行实验。STG-NCDE在所有情况下都显示出最好的准确性,超过了所有这20个基线。
2021-12-07 cs.AI cs.LG
There are no Champions in Supervised Long-Term Time Series Forecasting
University of Bern(伯尔尼大学);Bern University Hospital(伯尔尼大学医院)
本文通过评估监督长期时间序列预测模型,发现实验设置和评估指标的变化会影响模型性能的判断,强调需改进基准测试实践以提升结果的可靠性。
2026-01-09 cs.AI cs.LG
Streamlined Framework for Agile Forecasting Model Development towards Efficient Inventory Management
Inventec Corporation(英业达公司)
本文提出一个精简预测模型开发流程的框架,通过多重交叉验证机制和多种评估指标实现快速数据集成、算法实验与模型选择,并在库存管理和USAID智能预测竞赛中验证其有效性。
2023-04-13 cs.AI cs.LG
Fast ES-RNN: A GPU Implementation of the ES-RNN Algorithm
Carnegie Mellon University(卡内基梅隆大学)
由于其普遍性,时间序列预测在多个领域中至关重要。我们力求使国家的最先进的预测快速,可访问和推广。ES-RNN是经典状态空间预测模型和现代RNN的混合,在M4竞赛中实现了9.4%的sMAPE改进。至关重要的是,ES-RNN的实现需要每个时间序列的参数。通过对原始实现进行矢量化并将算法移植到GPU上,我们根据批量大小实现了高达322倍的训练加速,结果与原始提交中报告的结果相似。我们的代码可以在https://github.com/damitkwr/ESRNN-GPU上找到
2019-07-07 cs.LG stat.ML
Recurrent Neural Networks for Time Series Forecasting: Current Status and Future Directions
Monash University(莫纳什大学)
循环神经网络(RNN)已经成为有竞争力的预测方法,最值得注意的是最近的M4竞赛的获胜方法。然而,ETS和ARIMA等已建立的统计模型不仅因其高准确性而受到欢迎,而且还因其强大,高效和自动化而适用于非专家用户。在这些领域,RNN还有很长的路要走。我们提出了一个广泛的实证研究和现有的RNN预测架构的开源软件框架,使我们能够制定指导方针和最佳实践。例如,我们得出结论,如果数据集中的序列具有均匀的季节模式,则RNN能够直接对季节性进行建模,否则我们建议进行去季节化步骤。与ETS和ARIMA的比较表明,实现的(半)自动RNN模型不是银弹,但在许多情况下它们是有竞争力的替代品。
2020-12-23 cs.LG cs.NE 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
Telescope: An Automated Hybrid Forecasting Approach on a Level-Playing Field
University of Chicago(芝加哥大学);University of Ulm(乌尔姆大学)
针对现有预测方法计算重、自动化差且依赖数据集假设的问题,提出基于机器学习的自动化混合方法 Telescope,将时间序列拆分处理,无需训练即可在数秒内完成预测,实验表明其准确性和可靠性优于近期方法。
2023-09-26 cs.LG
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
XForecast: The KDD 2026 Finance Day Challenge on News-Grounded Financial Forecasting
LG AI Research(LG AI研究院);Ulsan National Institute of Science and Technology (UNIST)(蔚山科学技术院)
XForecast是KDD 2026金融日在Kaggle举办的竞赛,提供含100只大盘股2019-2023年数据的基准,采用加权命中率指标,用于评估整合金融时间序列与新闻文本的股价预测方法。
2026-10-14 cs.LG
Classification of load forecasting studies by forecasting problem to select load forecasting techniques and methodologies
University of Liège(列日大学)
本文的主要贡献是提出了一个分类到两个维度的负荷预测研究,以决定在何种情况下使用哪些预测工具。这一分类旨在按预测问题提供相关预测技术和方法的综合视图。此外,总结了所使用的主要技术和方法的关键原则以及这些论文的评论。分类过程依赖于定义预测问题的两对参数。每一篇文章都使用有关所使用的数据集和实现的预测工具的关键信息进行分类:预测技术(概率或确定性)和方法,数据清洗技术和错误度量。选择本文综述的文章的过程分为两个步骤。首先,建立了一套负荷预测研究的基础上,有关的负荷预测评论和预测比赛。第二步是根据下列标准从这一组研究中选出最相关的研究:对所采用的预测技术和方法的说明的质量、对结果的说明以及贡献。这篇论文可以分两遍读.第一种通过识别感兴趣的预测问题来选择相应的类放入四个分类表之一。每一个都引用了在预测范围内分类的所有文章。他们提供了一个综合的观点,预测工具所使用的文章解决类似的预测问题。然后,由四个表格组成的第二个层次总结了有关预测工具和这些研究结果的关键信息。第二遍是阅读主要技术和方法的关键原则以及文章的评论。
2020-03-18 cs.IR cs.LG stat.ML
NBMLSS: probabilistic forecasting of electricity prices via Neural Basis Models for Location Scale and Shape
CNR(意大利国家研究委员会);Institute of Intelligent Industrial Technologies and Systems for Advanced Manufacturing(智能工业技术与先进制造系统研究所)
提出位置尺度和形状的神经基模型(NBMLSS),结合GAMLSS的可解释性与可扩展共享基分解,在多市场电价预测中实现与分布神经网络相当的性能,同时提供更深入的模型行为见解。
2024-12-20 cs.LG
Predicting the Future is like Completing a Painting!
International University of Rabat(拉巴特国际大学);College of Engineering and Architecture(工程与建筑学院)
这篇文章是一个相对于科学预测的更大的研究框架的介绍性工作。它是科学与科学哲学的混合体,因此我们可以称之为实验科学哲学。作为第一个结果,我们介绍了一种新的预测方法的基础上完成的图像,命名为预测方法的图像修补(FM 2 I)。事实上,时间序列预测被转换成完全基于图像和信号的处理程序。在将时间序列数据转换成其对应的图像之后,数据预测问题实质上变成图像修补问题,即,完成图像中缺失的数据。广泛的实验评估进行了使用由著名的M3竞争提出的大型数据集。结果表明,FM2I是一个有效的和强大的工具,时间序列预测。它在准确性方面取得了显著的效果,优于最好的M3预测方法。
2020-11-09 cs.AI cs.CV cs.LG
For2For: Learning to forecast from forecasts
Tencent(腾讯);IBSS, XJTLU(西交利物浦大学国际商学院)
本文提出了一个时间序列预测框架,它结合了标准的预测方法和机器学习模型。机器学习模型的输入不是滞后值或常规时间序列特征,而是通过标准方法产生的预测。机器学习模型可以是卷积神经网络模型或递归神经网络模型。这种方法背后的直觉是,对时间序列的预测本身就是表征该序列的良好特征,特别是当建模目的是预测时。它也可以被看作是一种加权集成方法。在M4竞赛数据集上进行测试,这种方法优于季度系列的所有提交,并且比除了月度系列的获胜算法之外的所有算法都更准确。
2020-01-14 cs.LG stat.ML
LIMREF: Local Interpretable Model Agnostic Rule-based Explanations for Forecasting, with an Application to Electricity Smart Meter Data
Monash University(莫纳什大学)
准确的电力需求预测在可持续电力系统中起着至关重要的作用。为了更好地做出决策,特别是针对最终用户的需求灵活性,不仅需要提供准确的预测,还需要提供可理解和可操作的预测。为了提供准确的预测,跨时间序列训练的全局预测模型(GFM)最近在许多需求预测竞赛和实际应用中显示出优于单变量预测方法的结果。我们的目标是填补全球预测方法的准确性和可解释性之间的差距。为了解释全球模型预测,我们提出了本地可解释模型不可知的基于规则的预测解释(LIMREF),一个本地解释器框架,为特定的预测产生k-最优的影响规则,考虑全球预测模型作为一个黑盒模型,在模型不可知的方式。它提供了不同类型的规则来解释全局模型的预测和反事实规则,这些规则为潜在的变化提供了可操作的见解,以获得给定实例的不同输出。我们使用大规模的电力需求数据集进行实验,这些数据集具有温度和日历效应等外生特征。在这里,我们评估质量的解释所产生的LIMREF框架在定性和定量方面,如准确性,保真度和可理解性和基准对其他本地解释者。
2022-02-15 cs.AI cs.LG
Two-Stage Framework for Seasonal Time Series Forecasting
MIT Operations Research Center(麻省理工学院运筹学研究中心);MIT Laboratory for Financial Engineering(麻省理工学院金融工程实验室);Machine Intelligence Technology, Alibaba Group(阿里巴巴集团机器智能技术部)
季节性时间序列的预测仍然是一个具有挑战性的问题,由于长期依赖于季节性。在本文中,我们提出了一个两阶段的框架来预测单变量季节性时间序列。第一阶段明确地学习超出预测范围的时间窗口中的长期时间序列结构。通过结合学习的长期结构,第二阶段可以提高预测范围内的预测精度。在这两个阶段中,我们将自回归模型与神经网络相结合,以捕捉时间序列中的线性和非线性特征。我们的框架在M4竞赛小时数据集上实现了最先进的性能。特别是,我们表明,将第一阶段产生的中间结果,现有的预测模型,可以有效地提高其预测性能。
2021-03-03 cs.AI cs.LG stat.AP
Neural forecasting at scale
University of Sherbrooke(舍布鲁克大学);Laplace Insights(拉普拉斯洞察);Unity Technologies(Unity技术公司)
我们研究了基于集成的深度神经网络在大量时间序列上进行多步时间序列(TS)预测的问题。当前最先进的深度集合模型具有高的存储器和计算要求,阻碍了它们在实际场景中预测数百万TS的使用。我们提出了N-BEATS(P),这是N-BEATS模型的一个全局并行变体,旨在允许同时训练多个单变量TS预测模型。我们的模型解决了相关模型的实际限制,将训练时间减少了一半,内存需求减少了5倍,同时在所有TS预测设置中保持相同的准确度。我们已经进行了多个实验,详细介绍了训练我们的模型的各种方法,并获得了结果,证明了它的能力,在各种预测条件和设置推广。
2022-01-28 cs.DC cs.LG cs.NE
Humans vs Large Language Models: Judgmental Forecasting in an Era of Advanced AI
The University of Queensland(昆士兰大学);Royal Melbourne Hospital(皇家墨尔本医院);The University of Melbourne(墨尔本大学);Monash University(蒙纳士大学)
该研究对比零售领域人类专家与5款大语言模型的预测准确率,发现LLM并非始终优于人类,促销期和正向外部冲击下双方误差均上升,提示实际应用LLM预测需谨慎。
2024-05-17 cs.CY cs.LG
Experimental study of time series forecasting methods for groundwater level prediction
University Clermont Auvergne(克莱蒙奥弗涅大学);Clermont Auvergne INP(克莱蒙奥弗涅国立理工学院);CNRS(法国国家科学研究中心);Mines Saint-Etienne(圣艾蒂安国立高等矿业学校);Inria(法国国家信息与自动化研究所);Université de Tours(图尔大学);BRGM(法国地质调查局)
地下水位预测是一项应用时间序列预测任务,具有重要的社会影响,可优化水资源管理,并预防一些自然灾害,例如洪水或严重干旱。机器学习方法已在文献中报道,以实现这一任务,但他们只集中在一个单一的位置的地下水位的预测。全球预测方法旨在利用来自广泛位置的地下水位时间序列来产生单个地点或一次多个地点的预测。鉴于全球预测方法最近在著名的竞赛中取得的成功,评估它们在地下水水位预测方面的作用并将其与当地方法进行比较是有意义的。在这项工作中,我们创建了1026个地下水位时间序列的数据集。每个时间序列由地下水位和两个外生变量(降雨量和蒸散量)的每日测量值组成。该数据集可供社区用于再现性和进一步评估。为了确定最佳的配置,以有效地预测地下水位的完整的时间序列,我们比较了不同的预测,包括本地和全球时间序列预测方法。我们评估了外生变量的影响。我们的结果分析表明,最好的预测是通过训练过去的地下水位和降雨数据的全球方法。
2022-09-28 cs.LG
A Statistics and Deep Learning Hybrid Method for Multivariate Time Series Forecasting and Mortality Modeling
University of the Witwatersrand(金山大学);University of Johannesburg(约翰内斯堡大学)
混合方法已被证明在预测任务和量化与这些预测(预测区间)相关的不确定性方面优于纯统计和纯深度学习方法。一个例子是指数平滑递归神经网络(ES-RNN),它是统计预测模型和递归神经网络变体之间的混合。ES-RNN在Makridakis-4预测竞赛中的绝对误差提高了9.4%。这种改进和其他混合模型的类似表现主要仅在单变量数据集上得到证明。将混合预测方法应用于多变量数据的困难包括($i$)不简约的模型的超参数调整所涉及的高计算成本,($ii$)与数据中固有的自相关相关联的挑战,以及($iii$)可能难以捕获的协变量之间的复杂依赖性(互相关)。本文提出了多元指数平滑长短期记忆(MES-LSTM),这是ES-RNN的一种广义多元扩展,它克服了这些挑战。MES-LSTM使用矢量化实现。我们在2019年冠状病毒病(COVID-19)发病率数据集上测试了MES-LSTM,发现我们的混合方法在预测准确性和预测区间构建方面比纯统计和深度学习方法表现出一致的显着改进。
2021-12-16 cs.LG stat.ML
TS-Arena -- A Live Forecast Pre-Registration Platform
Paderborn University, Data Analytics Group(帕德博恩大学数据分析组)
TS-Arena通过实时数据流预注册协议,防止信息泄露,提供更高效的预测模型评估框架,展示现有模型长期表现和新模型即时竞争力。
2026-04-24 cs.AI cs.LG
Individual Calibration with Randomized Forecasting
Stanford University(斯坦福大学)
机器学习应用通常需要校准预测,例如,90\%的可信区间应该包含90\%的真实结果。然而,典型的校准定义仅要求其保持平均值,并不保证对单个样本进行预测。因此,预测可能会在某些子组上系统地过度或不足,导致公平性和潜在漏洞的问题。我们表明,如果预测是随机的,即输出随机的可信区间,则在回归设置中可以对单个样本进行校准。随机化通过权衡偏差和方差来消除系统性偏差。我们设计了一个训练目标,以加强个人校准,并用它来训练随机回归函数。由此产生的模型对任意选择的数据子组进行了更多的校准,并且可以在针对利用错误校准预测的对手的决策中实现更高的实用性。
2020-09-09 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
A Survey of Deep Learning and Foundation Models for Time Series Forecasting
本文综述深度学习与基础模型在时间序列预测中的进展,分析疫情预测中的短序列、知识缺失与可解释性挑战,并讨论知识图谱和大语言模型等知识注入路径。
2024-01-25 cs.LG
Emergent Specialization in Learner Populations: Competition as the Source of Diversity
University of Pennsylvania(宾夕法尼亚大学)
通过竞争驱动学习者群体自发形成专业化,实现多领域高效决策与多样化行为。
2026-01-16 cs.LG cs.NE
An Accurate and Fully-Automated Ensemble Model for Weekly Time Series Forecasting
Monash University(莫纳什大学);University of Sydney(悉尼大学)
本文提出一种基于lasso回归堆叠RNN、Theta、TBATS和DHR-ARIMA四个基础模型的周度时间序列全自动集成预测方法,在多个数据集上显著优于基准模型,并在M4周度数据集上取得最准确的sMAPE结果。
2023-12-03 cs.AI cs.LG cs.NE
Rating Multi-Modal Time-Series Forecasting Models (MM-TSFM) for Robustness Through a Causal Lens
University of South Carolina(南卡罗来纳大学);J.P. Morgan AI Research(摩根大通人工智能研究院)
针对AI系统脆弱性问题,提出基于因果分析的多模态时间序列预测模型鲁棒性评估方法,经大规模实验验证多模态预测兼具更高精度与鲁棒性,助力利益相关方选优决策。
2024-06-12 cs.AI cs.LG stat.ME
One Global Model, Many Behaviors: Stockout-Aware Feature Engineering and Dynamic Scaling for Multi-Horizon Retail Demand Forecasting with a Cost-Aware Ordering Policy (VN2 Winner Report)
Bartosz Szabłowski(巴托斯·斯扎波夫斯基)
本研究提出一种结合全局多时间跨度预测模型和成本感知订货策略的方法,用于多时间跨度零售需求预测,通过缺货感知特征工程和动态缩放提升预测准确性与成本效率。
2026-01-26 cs.LG
Machine Learning for Forecasting Mid Price Movement using Limit Order Book Data
Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学);Tampere University of Technology(坦佩雷理工大学);Aarhus University(奥胡斯大学)
预测股票价格的走势是金融市场分析中最具挑战性的问题之一。在本文中,我们使用机器学习(ML)算法来预测未来的价格变动,使用限价订单簿数据。两组不同的特征被组合和评估:基于原始订单簿数据的手工特征和通过ML算法提取的特征,从而产生具有高度可变维度的特征向量。三个分类器进行评估,使用这些功能集的组合在两个不同的评估设置和三个预测方案。尽管限价订单的大规模和高频率性质带来了一些挑战,但所进行的实验的范围和实验结果的重要性表明,机器学习非常适合这项任务,为该领域的未来研究开辟了道路。
2019-04-08 cs.CE cs.LG stat.ML
NPMixer: Hierarchical Neighboring Patch Mixing for Time Series Forecasting
ISMLL, University of Hildesheim, VWFS Data Analytics Research Center (VWFS-DARC), Hildesheim, Germany(ISMLL,希尔德斯海姆大学,VWFS数据分析研究中心(VWFS-DARC),德国希尔德斯海姆)
本文提出NPMixer,通过层次化邻域块混合捕捉局部时间动态和全局依赖,实验表明其在多个数据集上优于现有模型。
2026-08-05 cs.LG
IndiaWeatherBench: A Dataset and Benchmark for Data-Driven Regional Weather Forecasting over India
cs.ucla.edu(加州大学洛杉矶分校计算机科学系)
针对区域天气预报研究缺乏统一基准、难以公平比较的问题,本文推出聚焦印度的IndiaWeatherBench基准,含整理数据集与多类评估指标,实现多架构模型基线,支持扩展至其他区域并全开源。
2025-08-31 cs.AI cs.LG physics.ao-ph