Dynamic probabilistic predictable feature analysis for multivariate temporal process monitoring
动态统计过程监控方法在现代工业过程中得到了广泛的研究和应用。这些方法旨在提取最可预测的时间信息，并制定相应的动态监测方案。然而，测量噪声在现实世界的工业过程中是普遍存在的，忽略它的影响将导致次优的建模和监测性能。本文提出了一种用于多变量时间序列建模的概率可预测特征分析（PPFA）方法，并提出了一种多步动态预测监测方案。模型参数的估计采用一种有效的期望最大值算法，其中遗传算法和卡尔曼滤波器的设计和合并。在此基础上，提出了一种新的动态统计监测指标--动态指标，作为$\text{T}^2$和$\text{SPE}$的重要补充，用于动态异常的检测。通过在三相流装置和中速磨煤机上的应用，验证了该算法的有效性。
2022-11-09 eess.SP stat.ME
ScoreGrad: Multivariate Probabilistic Time Series Forecasting with Continuous Energy-based Generative Models
Beijing Institute of Technology（北京理工大学）
多变量时间序列预测因其在智能交通、人工智能等方面的广泛应用而受到广泛关注。生成模型在时间序列建模中取得了令人印象深刻的结果，因为它们可以建模数据分布并考虑噪声。然而，由于生成模型的函数形式的限制或对超参数的敏感性，许多现有的工作不能被广泛使用。在本文中，我们提出了ScoreGrad，一个基于连续能量生成模型的多变量概率时间序列预测框架。ScoreGrad由时间序列特征提取模块和基于条件随机微分方程的分数匹配模块组成。该预测可以通过迭代求解逆时矩来实现。据我们所知，ScoreGrad是第一个用于时间序列预测的基于连续能量的生成模型。此外，ScoreGrad在六个真实世界的数据集上实现了最先进的结果。超参数和采样器类型对性能的影响也进行了探讨。代码可在https://github.com/yantijin/ScoreGradPred上获得。
2021-06-18 cs.LG stat.ML
Conditional Regime Analog Forecasting with Trajectories: A Nonparametric Framework for Multivariate Probabilistic
本研究提出多元概率时间序列预测的非参数框架CRAFT，通过构建轨迹轮廓、学习状态标签等方法保留依赖关系，经模拟基准验证其预测性能优于多种对比方法。
2026-08-11 stat.ME
GT-PSSM: Unified Probabilistic Framework for Stochastic Dynamics Modeling and Dependency Learning in Multivariate Time Series Anomaly Detection
KAIST（韩国科学技术院）；Pusan National University（釜山国立大学）
针对现有多元时间序列异常检测方法忽略随机性且难以捕捉长时依赖和变量交互的问题，提出GT-PSSM，统一概率框架结合PSSM与图变换器，实现更稳健的异常检测。
2026-09-29 cs.LG stat.ML
Multivariate Probabilistic Time Series Forecasting via Conditioned Normalizing Flows
Zalando Research（Zalando研究院）
时间序列预测通常是科学和工程问题的基础，并使决策成为可能。随着数据集大小的不断增加，扩大预测的一个简单解决方案是假设交互时间序列之间的独立性。然而，建模统计依赖性可以提高准确性，并能够分析交互作用效应。深度学习方法非常适合这个问题，但多变量模型通常假设一个简单的参数分布，并且不能扩展到高维。在这项工作中，我们通过自回归深度学习模型对时间序列的多变量时间动态进行建模，其中数据分布由条件归一化流表示。这种组合保留了自回归模型的功能，例如外推到未来的良好性能，以及作为通用高维分布模型的流量灵活性，同时保持计算上的易处理性。我们表明，它提高了许多现实世界的数据集与几千个相互作用的时间序列的标准指标的最先进的。
2021-01-14 cs.LG stat.ML
A dynamic copula model for probabilistic forecasting of non-Gaussian multivariate time series
针对多元时间序列的异质性非高斯特征及传统方法的建模局限，提出一种基于动态因子高斯Copula的后验近似策略，实现可扩展全贝叶斯推断，在模拟与真实数据上均取得更优的概率预测性能。
2025-02-24 stat.ME
Multivariate Probabilistic Time Series Forecasting with Correlated Errors
McGill University（麦吉尔大学）
本文提出一种即插即用方法，通过低秩加对角参数化与独立潜在时间过程建模多步误差协方差，以校准预测，提升RNN和Transformer概率模型的准确性与不确定性量化。
2024-11-07 cs.LG stat.ML
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
AdaPTS: Adapting Univariate Foundation Models to Probabilistic Multivariate Time Series Forecasting
EURECOM（欧洲通信学院）；KAUST（阿卜杜拉国王科技大学）
本文提出 AdaPTS 框架，通过可适配的特征空间变换将单变量时间序列基础模型用于概率多变量预测，并结合多种适配器与贝叶斯式优化推理策略，显著提升精度和不确定性量化。
2025-02-14 cs.LG stat.ML
Probabilistic Multivariate Time Series Forecasting with Diffusion Copulas
Department of Statistics The University of Warwick（威斯敏斯特大学统计系）；School of Data Science The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院）
本文提出了一种扩散-Copula框架，通过分离边际分布学习与依赖结构学习，改进了多变量时间序列预测中对尾部风险的估计，展示了在加密货币市场中对系统性极值的预测优势。
2026-05-19 cs.LG stat.ML
RDDMPI: Residual Denoising Diffusion Model for Probabilistic Multivariate Time Series Imputation
University of Miami（迈阿密大学）
针对多元时间序列插补中扩散模型直接建模原始数据过于复杂的问题，提出RDDMPI残差扩散框架，将插补分解为基线预测与残差扩散，提升重建精度与不确定性量化。
2026-09-11 cs.LG stat.ML
Latent Space Score-based Diffusion Model for Probabilistic Multivariate Time Series Imputation
Halmstad University（哈尔姆斯塔德大学）；Lund University（隆德大学）
针对现有扩散模型忽略低维潜分布、难处理无标签缺失数据的问题，提出LSSDM模型，通过无监督潜空间粗重建结合条件扩散精插补，实现更优的多元时间序列概率插补及不确定性分析。
2024-09-13 cs.AI cs.LG stat.ML
A Hybrid Deep Learning Model for Predictive Flood Warning and Situation Awareness using Channel Network Sensors Data
University of Delaware（特拉华大学）；Texas A&M University（德克萨斯A&M大学）
本研究的目的是创建和测试一个混合深度学习模型FastGRNN-FCN（快速、准确、稳定和微小的门控递归神经网络-全卷积网络），用于使用通道网络传感器数据进行城市洪水预测和态势感知。该研究使用得克萨斯州哈里斯县作为试验台，并从三个历史洪水事件（例如，2016年纳税日洪水、2016年阵亡将士纪念日洪水和2017年哈维飓风洪水），用于训练和验证混合深度学习模型。洪水数据被分成一个多变量的时间序列，并作为模型的输入。每个输入包括九个变量，包括所研究的信道传感器及其在信道网络中的前趋和后继传感器的信息。采用查准率-查全率曲线和F-测度来确定最优模型参数集。通过对不同的权值和阈值的考察，经过100次迭代，得到了权值为1、临界阈值为0.59的最优模型。测试准确率和F-测度最终分别达到97.8%和0.792。然后，该模型在预测2019年休斯顿伊梅尔达洪水中进行了测试，结果显示与经验洪水非常匹配。结果表明，该模型能够准确预测洪水的时空传播和衰退，并提供了一个预测性的洪水预警工具，优先洪水响应和资源分配策略的应急响应官员。
2020-09-08 cs.LG eess.SP stat.ML
Deep Generative Quantile-Copula Models for Probabilistic Forecasting
Amazon（亚马逊）
我们介绍了一类新的多变量条件生成模型，并证明其性能和通用性的概率时间序列预测和模拟。具体地说，分位数回归网络的输出通过从潜在均匀分布到目标分布的单变量映射从一组固定分位数扩展到整个分位数函数。然后，通过学习每个维度的边缘分布的分位数函数，然后估计条件Copula来关联这些潜在的均匀随机变量，来解决多变量的情况。分位数函数和copula一起定义联合预测分布，可以通过单个隐式生成深度神经网络来参数化。
2019-07-24 cs.LG stat.ML
Multivariate Prediction Intervals for Photovoltaic Power Generation
概率预测中的当前文献集中于单独地量化每个随机变量的不确定性。这导致在不同地点和/或不同的交货期内无法告知不确定性的相互依存结构。当多个随机变量之间存在正关联或负关联时，它们的预测区域应该由多变量或联合不确定性集反映。现有的文献在多元不确定集建模领域是非常原始的。在本文中，不确定性区域的形式产生的多元预测区间。我们将研究高斯和R-Vine Copula在表征连续提前期光伏发电相关行为方面的性能。基于拟合优度度量以及技能分数来比较Copula。一个框架，阐述了从高斯和R-葡萄树多变量密度产生的情况下，生成多变量预测区间。基于其校准和锐度来评估所得到的多变量预测区间。这些方法在真实世界的数据集上进行了测试，包括光伏发电测量和天气预报。本文提供了一系列有用的分析和比较结果的多变量不确定性建模的光伏发电，可以作为未来的工作在该地区的基础。
2018-03-13 stat.AP
Deep Generative Transformers for Probabilistic Time Series and Spatiotemporal Forecasting
SAFIR, Sorbonne University Abu Dhabi（SAFIR，索邦大学阿布扎赫尔分校）；Indian Institute of Technology Guwahati（印度理工学院古瓦哈蒂分校）
提出Enformer和GEnformer，结合Transformer与engression学习条件分布，无需参数假设即可生成连贯多变量轨迹，在时间序列和时空预测中优于现有方法。
2026-06-23 cs.AI cs.LG stat.ML
Probabilistic Forecasting of Temporal Trajectories of Regional Power Production - Part 2: Photovoltaic Solar
我们提出了一个完全概率预测模型的空间聚集的太阳能光伏（PV）发电生产在每小时的时间尺度与前置时间长达几天，使用天气预报数值天气预报系统作为协变量。经过适当的对数变换的功率生产，我们开发了一个多变量高斯预测模型下的贝叶斯推断框架。该模型结合了时间误差相关性，产生物理上一致的预测轨迹。提出了几种配方的相关结构和调查。我们的方法是为数不多的方法之一，发布完整的预测分布光伏发电。在德国光伏发电的案例研究中，该方法给出了校准和熟练的预测。
2019-03-04 stat.AP
Early Detection of Influenza outbreaks in the United States
公共卫生监测系统往往无法发现新出现的传染病，特别是在资源有限的情况下。通过整合相关的临床和互联网来源的数据，我们可以缩小覆盖范围的关键差距，加快疫情检测。在这里，我们提出了一个多变量算法，使用免费提供的在线数据，以提供早期预警的新出现的流感流行在美国。我们评估了240个候选预测因子，发现最具预测性的组合\textit{not}包括监测或电子健康记录数据，但由八个谷歌搜索和维基百科的页面浏览量时间序列组成，反映了流感相关主题的兴趣水平变化。在对2010-2016年数据的交叉验证中，该算法在流感活动达到疾病控制和预防中心（CDC）宣布季节开始的阈值之前平均16.4周发出警报。在对2009年H1N1流感秋季大流行的数据进行的样本外测试中，它在这一监测阈值之前五周就认识到了威胁。更简单的算法，包括固定的一年中的一周触发器，在检测季节性流感时仅滞后优化警报几周，但在2009年大流行情景中无法提供早期预警。这证明了一种用于设计下一代爆发检测算法的鲁棒方法。通过将扫描统计与机器学习相结合，它可以识别出易于处理的数据源组合（从数千个候选数据源中），这些数据源可以为全球新出现的传染病威胁提供早期预警。
2019-03-04 q-bio.PE stat.AP
Early Warning with Calibrated and Sharper Probabilistic Forecasts
给定一个非线性模型，可以通过蒙特卡罗模拟获得概率预测。在给定的预测范围内，蒙特卡罗模拟产生离散预测集，这些离散预测集可以转换为密度预测。由此产生的密度预测将不可避免地被模型错误指定降级。为了提高密度预测的质量，可以将它们与无条件密度混合。本文探讨了结合条件密度预测与无条件密度预测的价值。这些发现对包括经济学和气象学在内的不同学科发布预警具有积极意义，但英国的通胀预测被认为是一个例子。
2012-01-13 nlin.CD q-fin.RM stat.AP
Causal Patterns: Extraction of multiple causal relationships by Mixture of Probabilistic Partial Canonical Correlation Analysis
在本文中，我们提出了一个混合的概率部分典型相关分析（MPPCCA），提取两个多元时间序列的因果模式。因果模式是指两个元素之间相互作用的信号模式，它们具有多种类型的相互因果关系，而不是同时相关的混合物或元素之间不存在因果关系。在多变量统计中，部分典型相关分析（PCCA）在减去第三个多变量的影响后评估两个多变量之间的相关性。PCCA可以计算Granger因果指数（它测试一个时间序列是否可以从另一个时间序列预测），但不适用于包含多个偏典型相关的数据。在介绍了MPPCCA，我们提出了一个期望最大化（EM）算法估计的参数和潜变量的MPPCCA。MPPCCA可以在没有任何监督信号的情况下从数据序列中提取多个偏典型相关，从而将数据分割为聚类。然后在合成数据实验中对该方法进行了评价。在合成数据集上，我们的方法比现有的方法更准确地估计了多重偏典型相关。为了确定该方法可检测的模式类型，还在真实数据集上进行了实验。该方法估计运动捕捉数据中的通信模式。MP-PCCA适用于各种类型的信号，如脑信号，人类交流和非线性复杂多体系统。
2017-12-12 stat.ME stat.ML
SPACE: Sample-cloud Predictive Adaptive Conformal Ellipsoids for Multivariate Time-Series Forecasting
Asian Institute of Digital Finance, National University of Singapore（新加坡国立大学亚洲数字金融研究院）；National University of Singapore（新加坡国立大学）
针对现有多变量共形预测方法易受陈旧状态污染的问题，提出共形包装器SPACE，通过当前预测样本云估计协方差几何并动态选回溯窗口校准区域，提升了预测覆盖的准确性与效率。
2026-08-19 cs.AI cs.LG stat.ML
Dependence uncertainty bounds for the energy score and the multivariate Gini mean difference
能量距离和能量分数是近年来多元统计和多元概率预测的重要工具。它们都是基于两个独立样本的期望距离。在本文中，我们研究的依赖不确定性界这些量的假设下，我们知道的边际，但不知道的依赖结构。我们发现了一些有趣的尖锐的解析界，其中之一是获得一个不寻常的球对称Copula。这些结果应该有助于更好地理解这些措施的敏感性，在Copula误指定。
2020-04-24 math.PR math.ST stat.ME
Adaptive Probabilistic ODE Solvers Without Adaptive Memory Requirements
Technical University of Denmark（丹麦技术大学）
本文针对自适应概率ODE求解器内存需求不可预测导致模拟失败的问题，提出一种基于鲁棒状态估计的固定内存需求自适应概率求解器，在消除内存问题、加速模拟的同时兼容JAX科学计算。
2025-07-03 cs.LG cs.NA math.NA
Probabilistic QoS Metric Forecasting in Delay-Tolerant Networks Using Conditional Diffusion Models on Latent Dynamics
School of Computer Science Nanjing University of Posts（南京邮电大学计算机科学学院）
本文提出利用条件扩散模型结合潜在时间动态，对延迟容忍网络中的QoS指标进行概率预测，以量化不确定性并优于传统方法。
2025-10-15 cs.LG stat.ML
Deep Air Quality Forecasting Using Hybrid Deep Learning Framework
空气质量预报一直被认为是空气污染预警和控制管理的关键问题。本文提出了一种新的空气质量（主要是PM2. 5）预测的深度学习模型，该模型通过混合深度学习架构学习多变量空气质量相关时间序列数据的时空相关性特征和相互依赖性。由于多变量空气质量时间序列数据的非线性和动态特性，模型的基本模块包括一维卷积神经网络（1D-CNN）和双向长短期记忆网络（Bi-LSTM）。前者是提取局部趋势特征和空间相关性特征，后者是学习时空相关性。然后，我们设计了一个基于一维CNN和Bi-LSTM的联合混合深度学习框架，用于多变量空气质量相关时间序列数据的共享表示特征学习。我们使用两个真实世界的数据集进行了广泛的实验评估，结果表明，我们的模型是能够处理PM2.5空气污染预测满意的精度。
2019-11-25 cs.LG stat.ML
Detecting Change-points in Mean of Multivariate Time Series
本文提出一种概率方法，用于检测具有弱相依新息的线性过程数据均值变点并一致估计谱密度，通过理论、实证及比特币价格数据验证其有效性。
2024-09-28 math.ST stat.TH
Weighted verification tools to evaluate univariate and multivariate forecasts for high-impact weather events
为了减轻不利天气条件的影响，气象部门向公众发布天气警报。这些警告严重依赖于基础预测系统发布的预测。在决定使用哪种预测系统来构建警报时，重要的是要比较系统预测极端天气事件发生和严重程度的能力。然而，评估极端事件的预测是一项具有挑战性的任务。这种情况进一步加剧，因为高影响天气往往表现为几个混淆的特征，这一认识导致了对所谓的复合天气事件的大量研究。因此，需要单变量和多变量方法来评估高影响天气的预报。在本文中，我们讨论了加权验证工具，它允许在预测评估过程中强调特定的结果。我们回顾和比较不同的方法来构建加权评分规则，无论是在一个单变量和多变量的设置，我们利用现有的结果加权分数引入加权概率积分变换（PIT）直方图，允许预测校准有条件地评估特定的结果已经发生。为了说明这些加权验证工具所提供的实际好处，他们采用的案例研究，以评估瑞士联邦气象和气候局（MeteoSwiss）发布的极端高温事件的预测。
2022-09-11 stat.AP
Conditionally Whitened Generative Models for Probabilistic Time Series Forecasting
Graduate University of Advanced Studies & The Institute of Statistical Mathematics（高级研究大学及统计数学研究所）；East China Normal University（华东师范大学）；The Institute of Statistical Mathematics（统计数学研究所）
本文提出条件性白化生成模型，通过整合条件均值和协方差信息，提升多变量时间序列预测性能。
2026-02-17 cs.LG stat.ML
A Hierarchy of Entropy-Shapley Games for Multivariate Predictive Uncertainty
Leibniz Institute for Prevention Research and Epidemiology – BIPS（莱布尼茨预防研究与流行病学研究所——BIPS）；University of Bremen（不来梅大学）；Simula Research Laboratory（西穆拉研究实验室）；Telenor Research & Innovation（挪威电信研究与创新部）；Norwegian Computing Center（挪威计算中心）
本文提出熵-沙普利博弈层级，用于多元预测不确定性归因，分离跨分量依赖效应，并提供闭式与样本估计器，验证于多种概率模型。
2026-09-29 cs.LG stat.ML
Recurrent Interpolants for Probabilistic Time Series Prediction
Morgan Stanley（摩根士丹利）；Mila（米拉研究所）；Université de Montréal（蒙特利尔大学）
针对现有序列模型难捕捉高维分布与跨特征依赖、生成式时间序列方法可扩展性不足的问题，本文提出结合循环神经网络效率与扩散模型概率建模能力的新方法，基于随机插值体和带控制特征的条件生成，为该领域发展提供思路。
2024-10-04 cs.LG stat.ML
Multivariate time-series modeling with generative neural networks
University of Waterloo（滑铁卢大学）
提出了一种基于生成矩匹配网络的多变量时间序列联合新息分布相关模型。针对MTS数据相关性建模的Copula-Gestival方法，提出了一种基于GMMN-Gestival方法的建模框架。首先，ARMA-GARCH模型被用来捕捉每个单变量边际时间序列内的序列相关性。其次，如果边缘时间序列的数量是大的，主成分分析（PCA）被用作降维步骤。最后，其余的横截面依赖性是通过GMMN建模，这项工作的主要贡献。GMMN是高度灵活的，易于模拟，这是一个主要的优势，copula-Gesthem方法。涉及收益率曲线建模和外汇汇率收益率分析的应用表明了GMMN-Gestern方法的实用性，特别是在产生更好的经验预测分布和做出更好的概率预测方面。
2021-10-01 cs.LG stat.ME stat.ML
Hierarchically Coherent Multivariate Mixture Networks
Carnegie Mellon University（卡内基梅隆大学）；Nixtla
本研究提出一种分层一致的多元混合网络，通过复合似然目标优化神经预测架构，在保持计算效率的同时实现跨层次一致的概率预测，平均准确率提升13.2%。
2023-10-16 cs.LG stat.ME stat.ML
Warnings based on risk matrices: a coherent framework with consistent evaluation
本文提出一个基于概率预报并与CAP兼容的风险矩阵多级预警框架，引入一致评分函数以客观评估和排序预警系统，并通过合成实验及热带气旋Jasper强降雨案例验证其有效性。
2025-08-28 stat.AP
Assessing the calibration of multivariate probabilistic forecasts
本文提出简单预秩函数方法，使预报员能根据所需信息灵活评估多元概率预报的位置、尺度和相依结构，并利用e值进行多元校准性检验，在风速预报应用中验证其有效性。
2023-07-11 stat.AP stat.ME
Probabilistic multivariate electricity price forecasting using implicit generative ensemble post-processing
预测不确定性的可靠估计是风险敏感最优决策的关键。在本文中，我们提出了隐式生成集成后处理，多变量概率电价预测的新框架。我们使用一个基于点预测模型集合的无似然隐式生成模型来生成具有一致依赖结构的多变量电价场景，作为联合预测分布的表示。我们的集成后处理方法优于成熟的模型组合基准。这一点在德国日前市场的数据集上得到了证明。由于我们的方法在特定领域的专家模型集合之上工作，因此可以很容易地部署到其他预测任务中。
2020-05-27 econ.EM q-fin.RM q-fin.ST
Proper Scoring Rules for Multivariate Probabilistic Forecasts based on Aggregation and Transformation
本文提出基于聚合与变换构建多元恰当评分规则的框架，以可解释方式刻画预测的特定特征，并通过文献示例和数值实验验证其优势及连接空间验证工具的价值。
2024-06-30 math.ST stat.AP stat.ME
Probabilistic multivariate statistical process control via kernel parameter uncertainty propagation
LUT University（拉彭兰塔-拉赫蒂理工大学）
本文提出一种概率K-MSPC框架，通过传播核参数不确定性到监控统计量，改进多变量过程监控的鲁棒性与准确性。
2026-03-19 stat.AP
Quantile Surfaces -- Generalizing Quantile Regression to Multivariate Targets
University of Kassel（卡塞尔大学）；Fraunhofer Institute for Energy Economics and Energy System Technology（弗劳恩霍夫能源经济与能源系统技术研究所）
在这篇文章中，我们提出了一种新的方法，多变量概率预测。我们的方法是基于扩展的单输出分位数回归（QR）的多变量目标，称为分位数表面（QS）。QS使用了一个简单但令人信服的想法，即通过方向和向量长度来索引概率预测的观察结果，以估计集中趋势。我们将单输出QR技术扩展到多变量概率目标。QS有效地对多变量目标变量的依赖关系进行建模，并通过离散分位数水平表示概率分布。因此，我们提出了一种新的两阶段过程。在第一阶段，我们执行确定性点预测（即，集中趋势估计）。随后，我们使用QS涉及神经网络称为分位数表面回归神经网络（QSNN）的预测不确定性建模。此外，我们引入了新的方法，有效和直接的评估的可靠性和清晰度的概率QS预测。我们通过连续排序概率得分（CRPS）得分的方向扩展来补充这一点。最后，我们评估了我们在合成数据上的新方法以及目前在两个不同领域研究的两个现实挑战：第一，可再生能源发电的概率预测，第二，自动驾驶车辆的短期骑自行车者轨迹预测。特别是对于后者，我们的实证结果表明，即使是一个简单的单层QSNN优于传统的参数多变量预测技术，从而提高了最先进的性能。
2020-09-29 cs.AI stat.AP stat.CO
Multivariate Probabilistic CRPS Learning with an Application to Day-Ahead Electricity Prices
University of Duisburg-Essen（杜伊斯堡-埃森大学）；Chair of Environmental Economics, esp. Economics of Renewable Energy（环境经济学（侧重可再生能源经济学）教席）
本文提出一种基于Bernstein在线聚合的多元概率预测在线组合方法，通过平滑处理分位数依赖，在日前电价24维预测中显著优于均匀组合，并提供了R包实现。
2024-02-06 cs.LG econ.EM q-fin.CP
Online Multivariate Regularized Distributional Regression for High-dimensional Probabilistic Electricity Price Forecasting
Statkraft Trading GmbH（Statkraft交易有限公司）；University of Duisburg-Essen（杜伊斯堡-埃森大学）
本文提出一种在线算法，用于高维概率电力价格预测，通过结合多变量分布回归与在线坐标下降和LASSO正则化，实现对电力价格条件均值、方差和依赖结构的高效建模，并在德国日间市场数据中验证了其有效性。
2026-11-10 econ.EM q-fin.ST stat.AP
A warning system for risk prediction of metabolic syndrome in a healthy population of blood donors
Politecnico di Milano（米兰理工大学）；University of Bergamo（贝加莫大学）
提出贝叶斯统计模型，利用纵向数据预测献血者代谢综合征概率，并构建交通灯预警系统以支持早期干预。
2026-05-26 stat.AP stat.ME
Diffusion models for multivariate subsurface generation and efficient probabilistic inversion
Institute of Earth Sciences University of Lausanne（地球科学研究所 雅各布大学）
本文提出了一种基于扩散模型的多变量地下生成与高效概率反演方法，通过改进的后验采样方法提升了统计鲁棒性和计算效率。
2026-01-27 cs.CV cs.LG physics.geo-ph
Small-Area Precipitation Forecasting and Drought--Flood Early Warning with Reverse-Martingale Regularized Recurrent Networks
Institute of Statistical Science, Academia Sinica（中央研究院统计科学研究所）
提出逆鞅正则化循环神经网络（RMRNN）用于概率降水预报和序贯旱涝预警，通过后向一致性惩罚和Shiryaev-Roberts检测器提升预警性能。
2026-05-26 stat.AP stat.ME
Probabilistic wind speed forecasting on a grid based on ensemble model output statistics
风速的概率预报对于广泛的应用很重要，从与风力发电有关的业务决策到风暴警报、船舶路线和航空。我们提出了一种统计方法，提供本地校准，概率风速预测在任何期望的地方在预测域的数值天气预报（NWP）模型的输出的基础上。提出了三种风速后处理方法，分别采用截断正态分布、伽玛分布和截断逻辑斯谛分布，以集合预报系统（EPS）的预报为条件，对未来观测值进行概率预报。为了在网格上提供概率预报，需要对用当地风速观测值校准的预测分布进行插值。我们研究了几种插值方案，结合地统计学方法与当地的年平均风速信息，并评估所提出的方法与地面风速预测在德国的COSMO-DE（小尺度模型联盟）集合预测系统。
2015-11-06 stat.AP
