Performance Metrics (Error Measures) in Machine Learning Regression, Forecasting and Prognostics: Properties and Typology
GS Research & Consulting（GS研究咨询公司）；Ryerson University（瑞尔森大学）
业绩计量（误差计量）是各个领域评价框架的重要组成部分。本研究的目的是概述各种性能指标和方法，他们的分类。这项研究的主要目标是开发一种类型学，这将有助于提高我们对指标的知识和理解，并促进它们在机器学习回归、预测和预测中的选择。在分析众多性能指标结构的基础上，我们提出了一个指标框架，它包括四（4）类：主要指标，扩展指标，复合指标，和混合集的指标。本文确定了决定主要指标结构和属性的三（3）个关键组件（维度）：确定点距离的方法、归一化方法、数据集上点距离的聚合方法。
2018-09-09 cs.LG stat.ME stat.ML
Physics-Informed Neural Koopman Machine for Interpretable Longitudinal Personalized Alzheimer's Disease Forecasting
Platform of Bioinformatics (PBI), University Lausanne Hospital (CHUV) and Faculty of Biology and Medicine (FBM), University of Lausanne (UNIL)（生物信息平台（PBI）、日内瓦大学医院（CHUV）和生物医学学院（FBM）、日内瓦大学（UNIL））；PBI, CHUV and FBM, UNIL（PBI、CHUV和FBM、UNIL）；Department of Biomedical Engineering, University of Basel（生物医学工程系、巴塞尔大学）；Roche Diagnostics International Ltd.（罗氏诊断国际有限公司）；F. Hoffmann - La Roche Ltd., Roche Information Solutions（F. Hoffmann-La Roche有限公司、罗氏信息解决方案）
本文提出神经Koopman机，通过整合多模态数据和生物学知识，实现阿尔茨海默病认知下降的可解释性预测。
2025-12-05 cs.AI cs.LG q-bio.NC
Back to the Future: Look-ahead Augmentation and Parallel Self-Refinement for Time Series Forecasting
Korea University（韩国大学）
Back to the Future通过前瞻性增强和并行自我修正提升时间序列预测的稳定性与准确性。
2026-02-02 cs.AI cs.LG
Addressing Challenges in Time Series Forecasting: A Comprehensive Comparison of Machine Learning Techniques
School of Automotive and Traffic Engineering, Jiangsu University（江苏大学汽车与交通工程学院）
本文针对时间序列预测挑战，比较多种机器学习算法与ARIMA在不同数据集（完整、含异常值、含缺失值）上的长期预测准确性，以指导算法选择。
2025-03-26 cs.LG
Forecasting the abnormal events at well drilling with machine learning
Skolkovo Institute of Science and Technology (Skoltech)（斯科尔科沃科技学院（斯科尔泰克））；Digital Petroleum（数字石油公司）
提出了一种基于数据驱动和物理信息的钻井事故预测算法。核心机器学习算法使用来自钻井遥测的代表时间序列的数据。我们已经开发了一个袋的功能表示的时间序列，使算法实时预测六种类型的钻井事故的概率。该机器学习模型基于来自100个不同俄罗斯油气井的125起钻井事故进行训练。验证结果表明，该模型对70%的钻井事故具有较好的预测能力，误报率为40%。该模型解决了部分预防钻井事故在井施工。
2022-03-10 cs.LG
Machine learning based forecasting of significant daily returns in foreign exchange markets
Canadian University Dubai（迪拜加拿大大学）
资产价值预测一直吸引着大量的研究人员在定量分析的兴趣。现代机器学习模型的出现引入了新的工具来解决这个经典问题。在本文中，我们将机器学习算法应用到迄今为止尚未探索的问题，预测货币汇率大幅波动的情况。我们使用10年期间四种主要货币对的数据对九种现代机器学习算法进行分析。一个关键的贡献是新的使用离群值检测方法，用于这一目的。数值实验表明，离群值检测方法大大优于传统的机器学习和金融技术。此外，我们表明，最近提出的新的离群值检测方法PKDE产生最好的整体效果。我们的研究结果适用于不同的货币对，显著性水平和时间范围，表明所提出的方法的鲁棒性。
2020-09-21 cs.LG stat.ML
Advancing GDP Forecasting: The Potential of Machine Learning Techniques in Economic Predictions
University of Bucharest（布加勒斯特大学）
本文探讨机器学习（特别是LSTM）在GDP预测中优于传统计量经济模型（如SARIMA）的潜力，利用1995-2023年罗马尼亚季度数据验证其预测准确性和灵活性。
2025-02-27 cs.LG
Power System Parameters Forecasting Using Hilbert-Huang Transform and Machine Learning
Energy Systems Institute, Siberian Branch of Russian Academy of Sciences（俄罗斯科学院西伯利亚分院能源系统研究所）；Institute of Mathematics, Economics and Informatics, Irkutsk State University（伊尔库茨克国立大学数学、经济与信息学研究所）
为了提高非平稳时间序列短期预测研究的效率，提出了一种新的混合数据驱动的电力系统参数预测方法。该方法是基于模式分解和初始回顾数据的特征分析，使用希尔伯特-黄变换和机器学习算法。随机森林和梯度提升树学习技术进行了检查。运用决策树技术对预测模型中变量的重要性进行排序。平均下降基尼指数被用作杂质函数。混合预测模型采用径向基函数神经网络和支持向量回归。除了引言和参考文献外，本文的结构如下。第二部分介绍了电力系统参数短期预测的背景和几种方法的回顾。第三部分提出了一种基于希尔伯特-黄变换的混合机器学习算法用于电力系统参数的短期预测。第四部分介绍了决策树学习算法用于变量重要性问题的研究。最后在第六节中给出了该方法在电力系统中的应用实例：有功潮流预测、电价预测和风速风向预测。
2014-04-09 cs.LG stat.ML
Machine Learning for Spatiotemporal Sequence Forecasting: A Survey
The Hong Kong University of Science and Technology（香港科技大学）
时空系统在现实世界中很常见。基于过去的观测数据对这些时空系统的未来进行多步预测，即时空序列预测（STSF），是一个重要而具有挑战性的问题。虽然现实世界中的许多问题都可以被看作是STSF，许多研究工作也提出了基于机器学习的方法来解决这些问题，但还没有一个研究工作从统一的角度对这些方法进行总结和比较。本调查旨在为STSF提供机器学习的系统综述。在本综述中，我们定义了STSF问题，并将其分为三类：运动点云轨迹预测（TF-MPC），规则网格上的STSF（STSF-RG）和不规则网格上的STSF（STSF-IG）。然后，我们介绍了STSF的两个主要挑战：1）如何学习多步预测模型，2）如何充分建模的空间和时间结构。在此之后，我们回顾了现有的工作来解决这些挑战，包括多步预测的一般学习策略，经典的基于机器学习的方法STSF，和基于深度学习的方法STSF。我们还比较了这些方法，并指出了一些潜在的研究方向。
2018-08-21 cs.LG stat.ML
An Unsupervised Clustering-Based Short-Term Solar Forecasting Methodology Using Multi-Model Machine Learning Blending
The University of Texas at Dallas（得克萨斯大学达拉斯分校）；National Renewable Energy Laboratory (NREL)（国家可再生能源实验室）；IBM TJ Watson Research Center（IBM托马斯·J·沃森研究中心）
太阳能预测的准确性受到天气条件的影响，预计天气感知预测模型将提高性能。然而，它可能是不可用的和可靠的分类不同的预报任务，仅使用气象天气分类。在本文中，一个无监督的基于聚类（UC为基础）的太阳能预测方法的短期（1小时前）全球水平辐照度（GHI）预测。该方法包括三个部分：GHI时间序列无监督聚类、模式识别和基于UC的预测。每日GHI时间序列首先通过优化交叉验证聚类（OCCUR）方法进行聚类，该方法确定最佳聚类数和最佳聚类结果。然后，在预报阶段，利用前几个小时的数据，采用支持向量机模式识别（SVM-PR）对某一天的类别进行识别。GHI预测由不同聚类中最合适的模型生成，这些模型由基于两层机器学习的多模型（M3）预测框架构建。开发的基于UC的方法进行验证，使用1年的数据与6个太阳功能。数值结果表明，（i）基于UC的模型比具有相同M3架构的非UC（一体化）模型的性能高出约20%;（ii）基于M3的模型也比单算法机器学习（SAML）模型的性能高出约20%。
2018-05-10 cs.LG stat.ML
Explainable Parallel RCNN with Novel Feature Representation for Time Series Forecasting
Florida International University（佛罗里达国际大学）
针对时间序列预测中迭代自回归导致的误差累积和编码解码分离处理数据的局限，提出融合过去数据与未来协变量的特征表示策略shifting，构建分层并行的RNN与CNN框架结合跳跃连接，在三个数据集上验证有效性并用Grad-CAM提供可解释性。
2023-07-29 cs.LG
Electric Vehicle Charging Load Forecasting: An Experimental Comparison of Machine Learning Methods
University of Piraeus（比雷埃夫斯大学）
本文通过实验比较了多种机器学习方法在不同时间跨度和空间聚合水平下的电动汽车充电需求预测性能。
2026-03-31 cs.LG
Enhancing Time Series Forecasting via a Parallel Hybridization of ARIMA and Polynomial Classifiers
HCMC University of Technology and Education（胡志明市技术教育大学）；Indigo Technology Systems JSC（Indigo 科技系统股份公司）；International University-VNU-HCM（越南国立大学胡志明市国际大学）
提出一种并行混合ARIMA与多项式分类器的时间序列预测方法，利用线性与非线性建模优势，在多个真实数据集上提升了预测准确性，代价是轻微增加计算时间。
2025-05-27 cs.AI cs.LG
Machine Learning vs Statistical Methods for Time Series Forecasting: Size Matters
INESC TEC（INESC技术研究所）；University of Porto（波尔图大学）；Dalhousie University（达尔豪斯大学）
时间序列预测是当前最活跃的研究课题之一。机器学习方法已经越来越多地被采用来解决这些预测任务。然而，在最近的一项工作中，这些方法被证明系统地呈现出相对于简单统计方法较低的预测性能。在这项工作中，我们反对这些结果。我们表明，这些都是有效的，只有在一个非常低的样本量。使用学习曲线方法，我们的研究结果表明，随着样本量的增长，机器学习方法提高了它们的相对预测性能。复制实验的代码可在https://github.com/vcerqueira/MLforForecasting上获得。
2019-09-29 cs.LG stat.ML
A novel method of fuzzy time series forecasting based on interval index number and membership value using support vector machine
G. B. Pant University of Agriculture and Technology（GB潘特农业技术大学）
模糊时间序列预测方法由于不依赖于传统时间序列预测方法的严格假设条件而受到研究者的青睐。非随机的模糊时间序列预测方法因其预测效果更显著而受到研究者的青睐。一般来说，有四个因素决定了预测方法的性能：（1）划分论域（UOD）的区间数（NOI）和区间长度（2）模糊化规则或清晰时间序列的特征表示（3）在输入值和目标值之间建立模糊逻辑规则（FLR）的方法（4）获得清晰预测值的去模糊化规则。考虑到提高预测精度的前两个因素，我们提出了一种新的非随机方法模糊时间序列预测，其中以区间指数和隶属度值作为输入特征来预测未来值。我们提出了一个简单的舍入范围和合适的步长方法来找到最佳的间隔数（NOIs），并使用模糊c均值聚类过程中划分UOD为不等长的区间。我们实现支持向量机（SVM）建立FLR。为了测试我们所提出的方法，我们进行了模拟研究五个广泛使用的实时的序列，并与最近开发的一些模型的性能进行比较。我们还研究了所提出的模型的性能，使用多层感知器（MLP），而不是SVM。两个性能指标RSME和SMAPE用于性能分析，并观察到更好的预测精度所提出的模型。
2020-10-20 cs.LG
Load Forecasting in the Era of Smart Grids: Opportunities and Advanced Machine Learning Models
Arizona State University（亚利桑那州立大学）
本研究针对智能电网中的短期负荷预测，评估了XGBoost、LightGBM、LSTM、GRU及混合模型，并采用皮尔逊相关系数分析外生变量，实验证明机器学习模型优于ARIMA基线。
2025-05-14 cs.LG eess.SP
The intersection of machine learning with forecasting and optimisation: theory and applications
预测和优化是运筹学的两个主要领域，在实践中得到了广泛的应用。这些方法以几种方式促进了彼此的增长。然而，这两个领域之间的关系的性质和整合它们还没有得到足够的探索或理解。我们主张这两个领域的整合，并探讨了几个问题，需要预测和优化来处理的不确定性。我们进一步研究了机器学习与预测和优化的交叉点上的一些方法，以解决现实世界的问题。最后，我们提供了几个研究方向，为那些有兴趣在这个领域工作。
2022-11-24 cs.LG math.OC stat.ME
A Comparative Study of Machine Learning Algorithms for Electricity Price Forecasting with LIME-Based Interpretability
Gezhi Future Research Institute（智未来研究院）
本文比较了八种机器学习模型在电力价格预测中的性能，发现KNN表现最佳，并通过LIME分析揭示了气象因素和供需指标对价格波动的非线性影响。
2025-12-01 cs.LG
Comparing statistical and machine learning methods for time series forecasting in data-driven logistics -- A simulation study
TU Dortmund University（多特蒙德工业大学）；UA Ruhr（鲁尔UA联盟）；Research Center Trustworthy Data Science and Security（可信数据科学与安全研究中心）
本文通过模拟线性和非线性时间序列，系统比较统计学习方法与机器学习方法在物流场景中的一步预测性能，为数据驱动物流预测方法选择提供依据。
2024-06-06 cs.LG stat.ML
Parallel Extraction of Long-term Trends and Short-term Fluctuation Framework for Multivariate Time Series Forecasting
The University of Queensland（昆士兰大学）；Zhejiang University（浙江大学）；Chongqing University（重庆大学）；Purdue University（普渡大学）
多元时间序列预测在各个领域有着广泛的应用。合理的预测结果可以辅助人们进行规划和决策，产生效益，规避风险。通常，时间序列有两个特征，即长期趋势和短期波动。例如，股票价格会随着市场出现长期上涨趋势，但短期内可能会出现小幅下跌。这两个特征往往是相对独立的。然而，现有的预测方法往往不区分它们，这降低了预测模型的准确性。本文提出了一个MTS预测框架，它可以并行地捕捉时间序列的长期趋势和短期波动。该方法使用原始时间序列及其一阶差分来表征长期趋势和短期波动。构造了三个预测子网络，分别用于预测长期趋势、短期波动和最终预测值。在总体优化目标上，借鉴了多任务学习的思想，即在要求逼近待预测值的同时，使长期趋势和短期波动的预测结果尽可能接近真实值。该方法利用了更多的监督信息，能够更准确地捕捉时间序列的变化趋势，从而提高了预测性能。
2021-03-22 cs.LG stat.ML
Machine Learning Algorithms for Financial Asset Price Forecasting
University of Oxford（牛津大学）；Saïd Business School（赛德商学院）
本文探讨了机器学习（ML）算法和技术的性能，可用于金融资产价格预测。资产价格和收益的预测和预测仍然是量化金融和从业人员面临的最具挑战性和最令人兴奋的问题之一。近年来生成和捕获的数据大量增加，为利用机器学习算法提供了机会。这项研究直接比较和对比了现代机器学习算法在高性能计算（HPC）基础设施上的最新实现与传统和高度流行的资本资产定价模型（CAPM）在美国股票数据上的实现。实施的机器学习模型-在整个股票宇宙的时间序列数据上训练（除了外部宏观经济变量）显着优于CAPM的样本外（OOS）测试数据。
2020-03-31 cs.LG econ.EM q-fin.ST
Operational thermal load forecasting in district heating networks using machine learning and expert advice
VITO（弗拉芒技术研究院）；EnergyVille（能源城）；NODA（NODA公司）
预测热负荷是控制区域供热和供冷系统的大多数优化解决方案的关键组成部分。最近的研究分析了一些数据驱动的方法应用于热负荷预测的结果，本文提出的结果相结合的收集这些个人的方法在一个专家系统。专家系统将以一种总是跟踪系统中最佳专家的方式组合多个热负荷预测。该解决方案的测试和验证，使用27个月的热负荷数据集，从位于瑞典Rottne的10栋住宅楼，以及从天气预报服务收到的室外温度信息。该专家系统由以下数据驱动方法组成：线性回归、极端随机树回归、前馈神经网络和支持向量机。所提出的解决方案的结果进行比较的结果的个别方法。
2017-10-17 cs.LG
Intelligent Vision Based Wear Forecasting on Surfaces of Machine Tool Elements
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文讨论了使机器能够自动检测机床部件故障并估计故障严重程度的能力，这是迈向自主生产机器的关键一步。提取关于故障严重性的信息已经是经典的以及基于机器学习的机器视觉系统的重要部分。为了预测性维护的目的，已经努力自动预测机床部件上故障的严重性。然而，大多数方法仅部分覆盖从检测故障到预测其未来严重性的完全自动化系统。据作者所知，这是第一次提出了一个基于视觉的系统，用于一般金属表面和滚珠丝杠传动的缺陷检测和故障预测。作者表明，他们可以做到这两点，检测和监测滚珠丝杠传动表面故障的演变。
2021-10-29 cs.LG
Maximising Weather Forecasting Accuracy through the Utilisation of Graph Neural Networks and Dynamic GNNs
天气预报是应对全球气候变化的重要任务。天气预报需要分析异构气象传感器生成的多变量数据。这些传感器包括地面传感器、无线电探空仪和安装在卫星上的传感器等，为了分析这些传感器产生的数据，我们使用基于图神经网络（GNNs）的天气预报模型。GNN是基于图学习的模型，在许多机器学习方法中表现出强大的经验性能。在这项研究中，我们研究了使用GNNs和传统的基于机器学习的模型进行天气预报的性能。
2023-02-08 cs.LG
Implementation and Assessment of Machine Learning Models for Forecasting Suspected Opioid Overdoses in Emergency Medical Services Data
Institute for Biomedical Informatics, University of Kentucky（肯塔基大学生物医学信息学研究所）；Substance Use Priority Research Area, University of Kentucky（肯塔基大学物质使用优先研究领域）；Dr. Bing Zhang Department of Statistics, University of Kentucky（肯塔基大学Dr. Bing Zhang统计系）；Department of Biostatistics, University of Kentucky（肯塔基大学生物统计学系）
本研究利用机器学习和时间序列预测方法，基于肯塔基州EMS数据预测疑似阿片类药物过量事件数量，评估多种模型和协变量，发现简单模型结合常见协变量即可实现高精度预测。
2025-10-24 cs.LG
Machine Learning for Economic Forecasting: An Application to China's GDP Growth
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Fudan University（复旦大学）
本文应用多种机器学习模型预测中国季度实际GDP增长，发现其平均预测误差通常低于传统计量模型和专家预测，但在经济拐点处专家预测有时更准确，并通过可解释机器学习方法识别影响宏观经济波动的关键变量。
2024-07-04 cs.LG econ.GN q-fin.EC
Machine Learning for Health: Personalized Models for Forecasting of Alzheimer Disease Progression
Imperial College London（帝国理工学院）
本论文的目的是优化现代机器学习模型，从临床试验数据中个性化预测阿尔茨海默病（AD）的进展。这些数据来自TADPOLE挑战，这是AD研究中最大的公开数据集之一（ADNI数据集）。该项目的目标是开发机器学习模型，可用于对参与者的认知变化进行个性化预测（例如，ADAS-Cog 13评分）和临床状态（CS）的变化，即，一个人是否会在两年内转换为AD。这对于告知当前的临床试验和更好地设计未来的AD临床试验非常重要。我们将使用个性化的高斯过程作为机器学习模型来预测ADAS-Cog 13评分，并使用Cox模型和分类器来预测患者在2年内的转换。该项目是与麻省理工学院媒体实验室的研究人员合作完成的。
2020-08-05 cs.LG
Machine Learning Algorithms for Time Series Analysis and Forecasting
RV College of Engineering（RV工程学院）
从销售记录到患者的健康演变指标，时间序列数据无处不在。处理这些数据的能力已经成为一种必要，时间序列分析和预测也被用于同样的目的。每一个机器学习爱好者都会认为这些是非常重要的工具，因为它们加深了对数据特征的理解。预测是用来预测一个变量在未来的价值，根据它的过去发生。本文详细介绍了用于预测的各种方法。从预处理到验证的完整预测过程也得到了彻底的解释。已经考虑了各种统计和深度学习模型，特别是ARIMA，Prophet和LSTM。机器学习模型的混合版本也已被探索和阐明。任何人都可以使用我们的工作来更好地理解预测过程，并识别当今正在使用的各种最先进的模型。
2022-11-25 cs.AI cs.LG econ.EM
MegazordNet: combining statistical and machine learning standpoints for time series forecasting
由于金融时间序列的混沌特性，对其进行预测一直被认为是一项困难的任务。统计方法在预测市场方向和股票单一价格等一些具体问题上显示出了坚实的结果;然而，随着深度学习和大数据技术的最新进展，出现了新的有希望的选择来解决金融时间序列预测。此外，最近的文献表明，与单一解决方案相比，采用统计和机器学习的组合可以提高预测的准确性。考虑到上述方面，在这项工作中，我们提出了MegazordNet，这是一个结合结构化深度学习模型进行时间序列预测的金融序列中探索统计特征的框架。我们使用不同的指标评估了我们预测标准普尔500指数股票收盘价的方法，我们能够击败单一的统计和机器学习方法。
2021-06-23 cs.AI cs.CE cs.LG
Forecasting Japanese elections: A nonlinear machine-learning approach
International University of Japan（国际大学）；The Tokyo Foundation（东京基金会）；IBM Japan（IBM日本）；Rice University（里士满大学）；Tokyo University of Technology（东京技术大学）
本研究引入基于决策树和集成学习的非线性机器学习模型，预测日本众议院选举结果，相比传统线性模型在样本内和样本外评估中均表现出更优的预测精度。
2026-05-26 cs.LG physics.soc-ph stat.AP
A Machine Learning-Ready Data Processing Tool for Near Real-Time Forecasting
Southwest Research Institute（西南研究院）；The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；Space Weather Prediction Center, NOAA（美国国家海洋和大气管理局空间天气预测中心）；Cooperative Institute for Research in Environmental Sciences, University of Boulder（科罗拉多大学环境科学合作研究所）
针对空间天气预报的需求，开发了一种融合多源近实时数据、面向机器学习的处理工具，解决现有预测能力缺口，支持时间序列预测与极端事件检测，简化ML应用数据工作流，提升近实时预测能力。
2025-02-12 astro-ph.IM astro-ph.SR cs.LG
Making the black-box brighter: interpreting machine learning algorithm for forecasting drilling accidents
Skolkovo Institute of Science and Technology (Skoltech)（斯科尔科沃科学技术研究院（Skoltech））；Digital Petroleum（数字石油公司）
我们提出了一种解释黑箱报警系统预测石油和天然气钻井过程中的事故和异常的方法。解释方法旨在向钻井工程师解释事故预测模型的局部行为。解释模型使用Shapley加法解释分析的功能，通过袋的功能表示的遥测日志在钻井事故预测阶段。验证表明，解释模型在70%的召回率下具有15%的准确率，并克服了随机基线和多头注意力神经网络的度量值。这些结果证明，开发的解释模型是更好地与钻井工程师的解释，比国家的最先进的方法。解释性模型和特征袋模型的联合性能允许钻井工程师在特定时刻理解系统决策背后的逻辑，注意突出显示的遥测区域，并且相应地增加事故预测警报中的信任级别。
2022-09-06 cs.LG
ParallelTime: Dynamically Weighting the Balance of Short- and Long-Term Temporal Dependencies
针对时间序列预测中短期与长期依赖权重分配不均的问题，提出动态加权机制ParallelTime Weighter及架构，在多个基准上以更低计算量和参数实现最先进性能。
2025-09-25 cs.LG
SIMLR: Machine Learning inside the SIR model for COVID-19 Forecasting
University of Alberta（阿尔伯塔大学）
准确预测疫情期间新感染人数对于及时有效地做出决策至关重要。本文使用SIMLR模型解决了这一挑战，该模型将机器学习（ML）纳入流行病学SIR模型。SIMLR跟踪每个地区政府层面实施的政策的变化，并利用这些变化来估计SIR模型的时变参数，从而提前1至4周预测新感染人数，还预测这些政府政策在未来每个时间发生变化的概率，这对于长期预测至关重要。我们将SIMLR应用于加拿大和美国地区的数据，并表明其MAPE（平均平均百分比误差）性能与SOTA预测模型一样好，并且具有可解释模型的额外优势。我们预计，这种方法不仅对预测COVID-19感染有用，而且对预测其他传染病的演变也有用。
2021-06-03 cs.LG stat.AP
How to Learn from Others: Transfer Machine Learning with Additive Regression Models to Improve Sales Forecasting
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
在各种业务情况下，机器学习方法的引入或改进受到损害，因为这些方法无法利用现有的分析模型。然而，在许多情况下，类似的问题可能已经在其他地方解决了，但是积累的分析知识不能用来解决新问题，例如，因为隐私障碍。对于类似实体的销售预测的特定目的，我们提出了一个转移机器学习方法的基础上添加剂回归模型，让新的实体受益于现有实体的模型。我们评估了一个丰富的，多年的数据集的多个餐厅分店的方法。我们区分了简单地将模型从一个分支转移到另一个分支（“zero shot”）或转移和调整它们的选项。我们分析了几个预测基准的可行性和性能。结果表明，该方法利用集体可用的分析知识的潜力。因此，我们提供了一种超越销售预测和特定用例的可推广方法。此外，我们还展示了其在典型用例中的可行性以及提高预测质量的潜力。这些结果应该告知学术界，因为它们有助于在各个实体之间利用知识，并立即在工业中得到实际应用。
2020-05-15 cs.LG stat.AP
Are Gradient Boosting Models Suitable for Intermittent Demand Forecasting?
Gisma University of Applied Sciences（吉斯马应用科学大学）
本文研究梯度提升模型在间歇性需求预测中的适用性，发现其单独表现不佳，但与专用方法结合可提升预测准确率最多10%，凸显了集成学习的价值。
2026-09-15 cs.LG
National-scale electricity peak load forecasting: Traditional, machine learning, or hybrid model?
Yonsei University（延世大学）
由于气候变化和电气化，电力需求的波动性增加，准确的高峰负荷预测的重要性日益增加。传统的峰值负荷预测是通过基于时间序列的模型进行的;然而，最近，基于机器或深度学习的新模型正在引入。本研究通过比较时间序列、机器学习和混合模型的性能，进行比较分析，以确定韩国最准确的峰值负荷预测模型。时间序列模型采用带外生变量的季节性自回归积分移动平均（SARIMAX）。人工神经网络（ANN），支持向量回归（SVR）和长短期记忆（LSTM）用于机器学习模型。SARIMAX-ANN，SARIMAX-SVR和SARIMAX-LSTM用于混合模型。结果表明，混合模型表现出显着的改善SARIMAX模型。基于LSTM的模型优于其他模型;单一和混合LSTM模型没有表现出显着的性能差异。在2019年韩国最高峰值负荷的情况下，LSTM模型的预测能力被证明大于SARIMAX-LSTM模型。LSTM、SARIMAX-SVR和SARIMAX-LSTM模型的表现优于韩国目前使用的基于时间序列的预测模型。因此，韩国的峰值负荷预测性能可以通过包括机器学习或混合模型来提高。
2021-06-30 cs.LG cs.SY econ.EM
A Scheme for Continuous Input to the Tsetlin Machine with Applications to Forecasting Disease Outbreaks
Centre for Artificial Intelligence Research（人工智能研究中心）；University of Agder（阿格德大学）
在本文中，我们将一种新的有前途的模式分类工具，即Tsetlin机（TM），疾病预测领域。TM是可解释的，因为它基于操纵命题逻辑中的表达式，利用了大量的Tsetlin自动机（TA）团队。除了可解释之外，这种方法由于其低计算成本和处理噪声的能力而具有吸引力。为了解决预测问题，我们引入了一种预处理方法，扩展了TM，使其可以处理连续输入。简而言之，我们将连续输入转换为基于阈值的二进制表示。由此产生的扩展TM使用人工数据集进行评估和分析。TM进一步应用于预测登革热暴发的所有17个地区在菲律宾使用的时空特性的数据。实验结果表明，TM作出的登革热疫情预测是更准确的支持向量机（SVM），决策树（DT），和几个多层人工神经网络（ANN），无论是在预测精度和F1得分。
2019-06-21 cs.AI cs.LG
A Machine Learning Model for Long-Term Power Generation Forecasting at Bidding Zone Level
University of Pisa（比萨大学）；i-EM s.r.l.（i-EM有限公司）
可再生能源发电的渗透水平不断提高，需要更准确和可靠的预测工具来支持传统的电网运行（例如，机组承诺、电力市场清算或维护计划）。为此，已经采用了许多物理模型，并且最近许多统计或机器学习算法以及一般的数据驱动方法正在成为深入研究的主题。虽然通常电力研究界专注于单个工厂水平的电力预测，但在短的未来时间范围内，此时我们对聚合的宏观区域发电（即，在面积大于100000平方公里的区域内），其感兴趣的未来视界可提前15天。实际数据被用来验证所提出的预测方法的几个月的测试集。
2020-07-16 cs.LG stat.ML
Machine Learning Approaches for Traffic Volume Forecasting: A Case Study of the Moroccan Highway Network
Societe Nationale des Autoroutes du Maroc S.A（摩洛哥国家高速公路公司）
在本文中，我们的目的是说明不同的方法，我们遵循的同时，开发预测工具，在摩洛哥的公路交通。主要采用了两种方法：统计分析作为数据探索和数据争论的一个步骤。因此，为了更好地理解流量行为，进行了beta模型。接下来，我们转到了机器学习，在那里我们使用了一系列算法，如随机森林，人工神经网络，额外树等。然而，我们相信这个研究领域仍然被认为是最先进的模型，所以，我们也涵盖了长短期记忆神经网络的应用。
2017-11-18 cs.CY cs.LG
Your time series is worth a binary image: machine vision assisted deep framework for time series forecasting
City University of Hong Kong（香港城市大学）
时间序列预测（TSF）一直是一个具有挑战性的研究领域，已经开发了各种模型来解决这一任务。然而，几乎所有这些模型都是用数值时间序列数据训练的，这些数据不像视觉信息那样被神经系统有效地处理。为了应对这一挑战，本文提出了一种新的机器视觉辅助深度时间序列分析（MV-DTSA）框架。MV-DTSA框架通过分析新的二进制机器视觉时间序列度量空间中的时间序列数据来操作，该度量空间包括从数值时间序列空间到二进制机器视觉空间的映射和逆映射函数，以及设计用于在二进制空间中解决TSF任务的深度机器视觉模型。一个全面的计算分析表明，所提出的MV-DTSA框架优于国家的最先进的深度TSF模型，而不需要复杂的数据分解或模型定制。我们框架的代码可以在https://github.com/IkeYang/ machine-vision-assisted-deep-time-series-analysis-MV-DTSA-上访问。
2023-02-28 cs.CV cs.LG
Hourly-Similarity Based Solar Forecasting Using Multi-Model Machine Learning Blending
The University of Texas at Dallas（得克萨斯大学达拉斯分校）
随着太阳能发电在电力系统中的日益普及，预测在电力系统运行中变得至关重要。本文提出了一种基于小时相似性的全球水平辐射（GHI）1小时预报方法。该方法利用日变化模式、不同时间的统计差异和太阳数据的小时相似性来提高预测精度。基于HS的方法通过使用相同的小时子集独立地训练多个两层多模型预测框架（MMFF）模型来构建。最终的最优模型是MMFF模型与每小时最佳混合算法的组合。在预测阶段，选择最合适的模型来执行某个小时的预测子任务。基于HS的方法是由国家可再生能源实验室（NREL）收集的6个太阳能功能的1年数据进行验证。结果表明，在相同的MMFF架构下，基于HS的方法显著优于非HS（一体化）方法，其中基于归一化平均绝对误差和归一化均方根误差，基于最优HS的方法分别比最佳一体化方法好10.94%和7.74%。
2018-03-09 cs.LG stat.ML
Big Data$\unicode{x2013}$Supply Chain Management Framework for Forecasting: Data Preprocessing and Machine Learning Techniques
本研究提出融合大数据分析的供应链预测新型管理框架，覆盖数据处理到优化全流程，构建循环优化机制，为供应链预测提供标准化流程与优化方向。
2025-09-02 cs.LG stat.ML
Novel Regression and Least Square Support Vector Machine Learning Technique for Air Pollution Forecasting
Avinashilingam Institute of Home Science and Higher Education for Women（阿维纳什林女子家政与高等教育学院）
针对大都市空气污染检测不当易引发危害的问题，提出基于离散回归与最小二乘支持向量（DR-LSSV）的空气污染预测技术，在准确率、预测时间和假阳性率上均优于传统机器学习方法。
2023-06-11 cs.AI cs.LG
DeepTSF: Codeless machine learning operations for time series forecasting
National Technical University of Athens（雅典国立技术大学）；School of Electrical and Computer Engineering（电气与计算机工程学院）；Institute of Communications and Computer Systems（通信与计算机系统研究所）
DeepTSF是一个无代码MLOps框架，通过自动化工作流和用户友好界面，提升时间序列预测效率，并在电力负荷预测中验证了其有效性。
2023-11-27 cs.LG cs.SE
A Slow-Shifting Concerned Machine Learning Method for Short-term Traffic Flow Forecasting
Singapore University of Technology and Design（新加坡科技设计大学）；Nanyang Technological University（南洋理工大学）
针对交通流日周期间峰值慢漂移导致的非平稳性预测难题，提出结合经验模态分解与长短期记忆网络的机器学习方法，在真实数据基准上较现有最优方法均方根误差降低14.55%、平均绝对百分比误差降低62.56%。
2023-03-31 cs.LG
Super ensemble learning for daily streamflow forecasting: Large-scale demonstration and comparison with multiple machine learning algorithms
National Technical University of Athens（雅典国家技术大学）；Air Force Support Command, Hellenic Air Force（希腊空军支援司令部）；University of Patras（帕特雷大学）
通过数据驱动的方法进行的日常径流预测传统上是使用单个机器学习算法进行的。现有的应用程序大多局限于少数案例研究的检查，不允许准确评估所涉及的算法的预测性能。在这里，我们提出了超级学习（一种集成学习），通过组合10个机器学习算法。我们应用该算法在一步提前预测模式。为了应用，我们利用了一个大的数据集，包括10年的时间序列的日径流量，降水量和温度从511个流域。超级学习器比线性回归算法的性能提高了20.06%，优于“实践中难以击败”的等权重组合器。后者比线性回归算法的性能提高了19.21%。性能最好的单个机器学习算法是神经网络，它比线性回归算法的性能提高了16.73%，其次是极度随机化的树（16.40%）、XGBoost（15.92%）、黄土（15.36%）、随机森林（12.75%）、polyMARS（12.36%）、MARS（4.74%）、lasso（0.11%）和支持向量回归（-0.45%）。基于所获得的大规模的结果，我们提出了超级学习每日径流预测。
2021-03-22 cs.LG stat.ML
A review of machine learning concepts and methods for addressing challenges in probabilistic hydrological post-processing and forecasting
National Technical University of Athens（雅典国立技术大学）；Hellenic Air Force（希腊空军）
概率预报在包括水文学在内的各种应用领域中日益受到重视。几个机器学习概念和方法对于解决形式化和优化概率预测实现的主要挑战以及识别这些实现中最有用的实现的同样重要的挑战是显著相关的。尽管如此，注重实际的审查，这些概念和方法，以及如何可以有效地利用这些在上述基本的努力，目前失踪的概率水文预报文献。尽管在同一文献中，从机器学习中受益的研究工作明显加强，但这种缺乏仍然存在。尽管最近出现了实质性的相关进展，特别是在概率水文后处理领域，传统上为水文学家提供概率水文预报实施，但它也成立。我们的目标是填补这一空白。在我们的审查中，我们强调可以导致有效普及的关键思想和信息，因为这种强调可以支持未来的成功实施和进一步的科学发展。在同一个前瞻性的方向，我们确定开放的研究问题，并提出想法，在未来进行探索。
2022-10-30 cs.LG stat.AP stat.ME
Water and Electricity Consumption Forecasting at an Educational Institution using Machine Learning models with Metaheuristic Optimization
Universidade Tecnológica Federal do Paraná（巴拉那联邦理工大学）
该研究以巴西一所教育机构五年账单及内外生变量为数据，比较经GA优化的RF与SVR在12个月水电消耗预测中的表现，并评估气候变量影响，发现RF最佳且加入气候变量通常降低精度。
2024-10-25 cs.LG
Forecasting with sktime: Designing sktime's New Forecasting API and Applying It to Replicate and Extend the M4 Study
University College London（伦敦大学学院）
我们在Python中提出了一个新的开源预测框架。我们的框架是sktime的一部分，sktime是一个更通用的机器学习工具箱，用于时间序列，具有scikit-learn兼容的接口，用于不同的学习任务。我们的新框架提供了专用的预测算法和工具来构建、调整和评估复合模型。我们使用sktime来复制和扩展M4预测研究的关键结果。特别是，我们进一步研究了简单的现成的机器学习方法的单变量预测的潜力。我们的主要结果是，简单的混合方法可以提高统计模型的性能，简单的纯方法可以在每小时的数据集上实现有竞争力的性能，优于统计算法，接近M4的赢家。
2020-06-08 cs.LG stat.ML
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
Product Progression: a machine learning approach to forecasting industrial upgrading
Università Sapienza（罗马大学）；Centro Ricerche Enrico Fermi（恩里科·费米研究中心）；Joint Research Centre（联合研究中心）；Istituto dei Sistemi Complessi - CNR（意大利国家研究委员会复杂系统研究所）
经济复杂性方法，特别是相关性措施，缺乏系统的评估和比较框架。我们认为样本外预测练习应该发挥这一作用，我们比较了各种机器学习模型，以设定预测基准。我们发现，预测的关键对象是新产品的激活，并且基于树的算法明显优于相当强的自相关基准和其他监督算法。有趣的是，我们发现，最好的结果是在交叉验证设置中获得的，当有关预测国家的数据被排除在训练集之外时。我们的方法具有直接的政策影响，提供了一个定量和科学测试的措施，在一个特定的国家引进新产品的可行性。
2021-05-31 cs.LG
Machine learning structure preserving brackets for forecasting irreversible processes
Arizona State University（亚利桑那州立大学）；Sandia National Laboratories（桑迪亚国家实验室）；Pacific Northwest National Laboratory（太平洋西北国家实验室）
时间序列数据的预测需要施加的归纳偏差，以获得预测外推，最近的作品施加了哈密顿/拉格朗日形式，以保持可逆动态系统的结构。在这项工作中，我们提出了一种新的参数化的耗散括号metriplectic动力系统适合学习不可逆动力学未知的先验模型形式。该过程学习广义Casimirs，分别保证能量和熵守恒和不减。此外，对于添加热噪声的情况下，我们保证精确保存的波动耗散定理，确保热力学的一致性。我们提供了耗散系统的基准，证明学习动态更强大，更好地推广比“黑箱”或基于惩罚的方法。
2021-06-23 cs.LG physics.comp-ph
Single State Update Predictive Coding training for Time Series Forecasting and Anomaly Detection
Ghent University（根特大学）；imec
该研究针对预测编码网络的顺序反向误差传播瓶颈，提出并行训练生成式与编码式两类PCN的单状态更新训练技术，将其应用于时间序列异常检测，实现了更稳定连续的在线学习。
2026-08-26 cs.LG cs.NE
