Improving Time Series Forecasting via Instance-aware Post-hoc Revision
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China(认知智能国家重点实验室,中国科学技术大学)
本文提出PIR框架,通过后处理修正提升时间序列预测的实例可靠性。
2025-12-15 cs.LG
Improving Model Chain Approaches for Probabilistic Solar Energy Forecasting through Post-processing and Machine Learning
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)
本文系统评估了在太阳能预报模型链中不同后处理策略的效果,并提出基于神经网络的直接功率预报模型,结果表明后处理尤其是对功率预报的后处理能显著提升概率预报质量。
2024-06-06 cs.LG physics.ao-ph stat.AP
Post-Training Corrections for Improved Time-Series Forecasting
SAMOVAR Télécom SudParis Institut Polytechnique de Paris(Telecom SudParis高等研究院);Noah Ark Lab(Noah Ark实验室);Independent Researcher(独立研究员)
提出一种无需重训练或修改架构的轻量级后训练自适应优化框架,通过强化学习、上下文赌博机或遗传算法自动学习表达性变换来校正模型输出,并支持人类专家通过自然语言引导校正,从而在多个基准上以最小计算开销持续提升预测精度。
2026-06-03 cs.LG stat.ML
Forecasting Green Skill Demand in the Automotive Industry: Evidence from Online Job Postings
Institute for the Future of Education, Tecnológico de Monterrey(教育未来研究所,蒙特雷理工大学)
本文通过分析墨西哥汽车行业的在线招聘信息,构建计算框架预测绿色技能需求,识别出274种绿色技能,并利用时间序列模型预测未来趋势,发现可再生能源、回收和氢能技术需求增长最快。
2026-05-06 cs.LG
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
Model-Agnostic Hybrid Numerical Weather Prediction and Machine Learning Paradigm for Solar Forecasting in the Tropics
National University of Singapore(新加坡国立大学);Institute of High Performance Computing(高性能计算研究院)
数值天气预报(NWP)和机器学习(ML)方法是太阳预报的常用方法。然而,数值预报模式有多种可能的物理参数化,这需要特定地点的数值预报优化。当区域数值预报模式与具有不同可能参数化的全球气候模式一起使用时,这就更加复杂了。在这项研究中,提出了一种替代方法,并评估了四个辐射模型。天气研究及预报(WRF)模式以全球及区域模式运行,以提供太阳辐照度的估计。然后使用ML对该估计进行后处理,以提供最终预测。WRF的归一化均方根误差通过这种ML误差校正模型降低了40-50%。使用CAM,GFDL,新戈达德和RRTMG辐射模型得到的结果进行了比较后,这种校正,否定了WRF参数化调整的需要。其他模型结合附近的位置和传感器数据也进行了评估,后者是特别有前途的。
2021-12-09 cs.LG physics.ao-ph
Beyond Extrapolation: Knowledge Utilization Paradigm with Bidirectional Inspiration for Time Series Forecasting
College of Computer Science, Sichuan University(四川大学计算机科学学院);Department of Computer and Information Science, University of Macau(澳门大学计算机与信息科学系);School of Information and Communication Engineering, University of Electronic Science and Technology of China(电子科技大学信息与通信工程学院)
本文提出了一种新的时间序列预测范式KUP-BI,通过从训练历史库中提炼出延续式知识,为双向预测提供结构化知识,从而提升预测性能。
2026-05-19 cs.LG
Calibration Bets on the Past: Post-Training Quantization for Financial Time-Series Forecasting
School of Computing, Montclair State University(蒙特克莱尔州立大学计算机学院)
该研究针对S&P 500的波动率预测,探究PTQ中激活校准对4位量化的影响,发现百分位校准可缓解4位量化的性能下降,为金融预测的低精度部署提供指导。
2026-08-13 cs.LG q-fin.ST
Physical Scales Matter: The Role of Receptive Fields and Advection in Satellite-Based Thunderstorm Nowcasting with Convolutional Neural Networks
本研究首次在基于卫星的雷暴临近预报中验证平流信息神经网络,通过尺度论证解释并证明平流在长预报时间(2小时后)和高平流速度下能提升技能,强调物理尺度对ML预报模型设计的重要性。
2025-08-07 cs.LG physics.ao-ph
DL-Corrector-Remapper: A grid-free bias-correction deep learning methodology for data-driven high-resolution global weather forecasting
Washington University in St. Louis(圣路易斯华盛顿大学);NVIDIA(英伟达)
FourCastNet(FCN)等数据驱动模型在高分辨率全球天气预报方面表现出了出色的性能。然而,这种表现是基于对网格天气数据的监督,而没有利用原始气候观测数据,这是黄金标准地面实况。在这项工作中,我们开发了一种方法来校正,重新映射和微调FCN的网格化统一预测,以便它可以直接与观测地面实况进行比较,这是稀疏和不均匀的空间和时间。这类似于数值天气预报(NWP)的偏差校正和后处理,这是全球气象和天气预报中心的常规操作。自适应傅立叶神经运算器(AFNO)架构被用作骨干来学习大气的连续表示。在给定输出查询位置的情况下,通过非均匀离散逆傅立叶变换(NUIDFT)来评估空间和时间非均匀输出。我们将这个网络称为深度学习校正器重映射器(DLCR)。DLCR的性能相对于基准性能的黄金标准地面实况的改进显示了其在观测监督下校正、重新映射和微调网格化预报的潜力。
2022-10-21 cs.LG physics.ao-ph
AIFS-TC: A simple correction competitive with the operational frontier for tropical cyclone intensity forecasting
University of Cambridge(剑桥大学);European Centre for Medium-Range Weather Forecasts(欧洲中期天气预报中心)
该研究提出AIFS-TC修正方法,基于开源AIFS-Single模型,可在12小时至7天时效内媲美业务前沿的热带气旋强度预报性能,且由Claude Fable 5自主设计,凸显智能体编码在预警系统研发中的潜力。
2026-08-14 cs.LG physics.ao-ph
Intervention-Aware Clinical World Model for Post-Op Outcome Forecasting in Cardiology
Tulane University(杜兰大学);Simula Research Laboratory(Simula研究实验室)
本研究针对心脏病术后结局预测的不规则轨迹问题,提出干预感知临床世界模型,在DECAAF-II数据集上实现心房颤动消融后复发预测及疤痕范围估计的良好性能。
2026-08-14 cs.CV cs.LG
Short-Term Solar Irradiance Forecasting Using Calibrated Probabilistic Models
Stanford University(斯坦福大学);Open Climate Fix(开放气候修复);National Center for Atmospheric Research(美国国家大气研究中心)
推进概率太阳能预测方法对于支持太阳能融入电网至关重要。在这项工作中,我们开发了各种最先进的概率模型预测太阳辐照度。我们调查使用事后校准技术,以确保良好校准的概率预测。我们训练和评估的模型使用公共数据从七个站在SURFRAD网络,并证明,最好的模型,NGBoost,实现更高的性能在每小时内的分辨率比最好的基准太阳辐照度预测模型在所有站点。此外,我们表明,NGBoost与CRUDE事后校准实现了相当的性能数值天气预报模型的小时分辨率预报。
2020-10-14 cs.LG stat.AP stat.ML
Active Learning for Forecasting Severity among Patients with Post Acute Sequelae of SARS-CoV-2
National Library of Medicine(国家医学图书馆);The George Washington University(乔治·华盛顿大学)
针对PASC患者后遗症严重程度预测问题,研究提出主动注意力网络,结合大语言模型生成的文本时间序列特征与主动学习,在减少标注量的同时提升临床风险及进展事件预测准确性。
2025-06-11 cs.CY cs.LG
Learning-based Probabilistic Load Forecasting with Post-hoc and In-model Uncertainty
Istanbul Technical University(伊斯坦布尔技术大学)
研究智能建筑负荷预测中,推理输入重建后不确定性放置问题。开发统一概率预测框架,比较模块化事后与集成模型内分位数学习方案,用三种深度学习骨干模型实验,发现不确定性放置依赖骨干模型,揭示事后残差分位数局限性。
2026-07-15 cs.AI cs.LG
QuantFlow: A Federated Mamba-Based Post-Transformer Foundation Model for Time-Series Forecasting
Department of Computer Science and Engineering, University of Science and Technology Chittagong(信息科学与工程系,查塔姆冈科技大学);Department of Electrical and Electronic Engineering, University of Science and Technology Chittagong(电气电子工程系,查塔姆冈科技大学);Faculty of Science, Engineering and Technology, University of Science and Technology Chittagong(科学、工程与技术学院,查塔姆冈科技大学)
研究针对时间序列预测,提出结合多种技术的概率预测框架QuantFlow,用反向序列嵌入等进行处理,经实验验证其在多数据上效果好,且联合学习可保护隐私。
2026-07-28 cs.AI cs.LG
Observation-Anchored Selective Assimilation for Longitudinal Tumor-State Proxy Forecasting in Post-Treatment Glioma
Yonsei University(延世大学)
本研究提出观测锚定选择性同化(OASA)方法,利用中间观测锚定患者状态并选择性更新,在胶质瘤术后MRI预测中实现与持久化相当的Dice性能,并改善校准。
2026-09-14 cs.AI cs.LG
Forecasting Post-Wildfire Vegetation Recovery in California using a Convolutional Long Short-Term Memory Tensor Regression Network
Western Connecticut State University(西康涅狄格州立大学)
本研究提出ConvLSTMTR网络,基于加州104起重大野火数据预测火后NDVI与逻辑斯蒂增长率k,结合UMAP和KNN识别恢复趋势,推动预测生态建模发展并为植被管理提供参考。
2023-11-04 cs.AI cs.LG
Hybrid Ensemble Learning for EEG-Based Epileptic Seizure Forecasting
The Beacom College of Computer and Cyber Sciences, Dakota State University(达科他州立大学比科姆计算机与网络科学学院)
针对癫痫发作预测中的泛化与误报挑战,提出结合五个深度学习与三个经典机器学习模型的校准混合集成方法,在CHB-MIT上实现74.2%灵敏度与1.24次/小时误报。
2026-09-30 cs.LG
Explainable Deep Learning-based Solar Flare Prediction with post hoc Attention for Operational Forecasting
Georgia State University(佐治亚州立大学);Research Center for Astronomy and Applied Mathematics, Academy of Athens(雅典学院天文与应用数学研究中心)
该研究提出基于深度学习的全日面太阳耀斑预测模型,通过自定义数据增强和样本加权解决类别不平衡问题,结合三种事后注意力方法实现可解释性,验证了模型对临边耀斑的定位预测能力及良好性能。
2023-08-04 astro-ph.SR cs.LG
Deep Probabilistic Time Series Forecasting using Augmented Recurrent Input for Dynamic Systems
Dalian University of Technology(大连理工大学);Shenyang Blower Works Group Corporation(沈阳鼓风机集团股份有限公司)
近年来,在各种动态系统场景中,例如,系统辨识和机器的预测和健康管理,对概率时间序列预测的需求已经被提出。为此,我们结合了深度生成模型和状态空间模型(SSM)的进步,提出了一种新的,数据驱动的深度概率序列模型。具体来说,我们遵循流行的编码器-解码器生成结构,在一个扩展的递归输入空间上构建递归神经网络(RNN)辅助的变分序列模型,该模型可以诱导丰富的随机序列依赖性。此外,为了缓解训练和预测之间的后验不一致问题以及改进动态模式的挖掘,我们(i)提出使用滞后混合输出作为下一个时间步长的后验输入,这使得训练和预测对齐;(ii)进一步设计了一种广义自回归策略,该策略对后验的所有历史依赖性进行编码。此后,我们首先调查的方法学特征提出的深概率序列模型的玩具案件,然后全面展示我们的模型对现有的深概率SSM模型的优越性,通过广泛的数值实验8个系统辨识基准从各种动态系统。最后,我们将我们的序列模型应用于实际的离心压缩机预测问题,并通过量化时间序列预测分布再次验证了其出色的性能。
2022-04-13 cs.LG stat.ML
Accuracy-Preserving Stability Regularization for Large-Scale Retail Demand Forecasting
研究大规模零售需求预测,提出在训练时对连续序列内变化施加惩罚的方法,结合多种特征评估稳定性。实验表明稳定性感知混合模型能提高预测稳定性得分,且RMSE变化小,拓展了零售预测从点误差最小化到准确性-稳定性权衡的评估视角。
2026-07-16 cs.LG
The Battle of Information Representations: Comparing Sentiment and Semantic Features for Forecasting Market Trends
Higher School of Economics University(高等经济大学);Sber AI Lab(俄联邦储蓄银行人工智能实验室);Artificial Intelligence Research Institute (AIRI)(人工智能研究院(AIRI))
利用机器学习方法对股票市场进行研究是揭示隐藏的市场信息的一个主要方向。这些知识有助于深刻理解金融市场动态并获得传统分析方法难以发现的行为见解。股票价格与世界事件和社会观念有着内在的联系。因此,在构建股票价格预测模型时,关键阶段是将外部世界的这些信息纳入其中,这些信息通过新闻和社交媒体帖子反映出来。为了适应这一点,研究人员利用隐式或显式的知识表示:(1)从文本中提取的情感或(2)原始文本嵌入。然而,有太少的研究注意到这些方法的直接比较方面的金融模型的预测能力的影响。在本文中,我们的目标是缩小这一差距,并弄清楚是否语义特征的形式上下文嵌入更有价值的预测市场趋势比情绪属性。我们考虑了与纳斯达克资本化最大公司及其收盘价相关的Twitter帖子的语料库。首先,我们展示了推特情绪与公司股价波动的联系。相信现有的关系,我们训练时间融合Transformer模型的价格预测与鸣叫情绪或鸣叫嵌入补充。我们的研究结果表明,在大量的情况下,使用情感特征会导致更高的指标。值得注意的是,这些结论在涉及Twitter帖子和最大科技公司股票的情况下是合理的。
2023-03-24 cs.LG
Counterfactual Explanations for Time Series Forecasting
Stockholm University(斯德哥尔摩大学)
本文提出ForecastCF算法,通过梯度扰动和预测值约束生成时间序列预测的反事实解释,实验证明其在有效性和数据流形接近度上优于基线。
2023-10-12 cs.LG
Beyond a Universal Forecasting Selector: Demand-Conditioned Model Selection across Demand Patterns and Horizons
University of Santiago of Chile(智利圣地亚哥大学)
该研究针对异质性需求下预测模型选择困难的问题,提出将选择器视为预测过程的上下文依赖组件,对比5种选择机制在多模型、多数据集等条件下的表现,验证了需求条件化模型选择的必要性。
2026-09-07 cs.LG
Foundation Models and Fine-Tuning: Toward a New Generation of Models for Time Series Forecasting
Univ. Grenoble Alpes, CNRS, Grenoble INP, LIG(格勒诺布尔阿尔卑斯大学、法国国家科学研究中心、格勒诺布尔国立综合理工学院、信息与地理实验室);Savoye(萨瓦亚)
研究受自然语言处理中大型语言模型突破启发,探讨基础模型用于时间序列预测,回顾其架构、预训练策略等,研究预训练后微调选定基础模型,实证结果表明微调可提高预测精度
2026-07-28 cs.LG
Rethinking Training & Inference for Forecasting: Linking Winner-Take-All back to GMMs
Cornell University(康奈尔大学);Stanford University(斯坦福大学);Boston University(波士顿大学)
针对轨迹预测中赢家通吃训练导致模式后验不可靠的问题,提出测试时后验加权合并和一步EM更新两种轻量级后处理方法,无需重训练即可提升模式排序和预测精度。
2026-06-26 cs.CV cs.LG cs.RO
NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates
NVIDIA(英伟达)
该研究提出模型无关的NVExplain框架,通过潜在轨迹分析与结构保持替代模型,提升时间序列预测解释的忠实性与效率,解释具鲁棒性。
2026-08-27 cs.AI cs.LG stat.ML
Hierarchical Forecasting at Scale
University of Amsterdam(阿姆斯特丹大学);bol.(博尔公司)
本文提出一种稀疏层次损失函数,使单一底层模型能为数百万时间序列生成对任意截面或时间层次一致的预测,省去后处理步骤,并在M5数据集及欧洲电商平台bol上验证了显著的性能提升。
2024-02-26 cs.LG
ClimateBench-M: A Multi-Modal Climate Data Benchmark with a Simple Generative Method
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);IBM Research(IBM研究院)
本文提出多模态气候基准ClimateBench-M,统一对齐ERA5、NOAA和NASA HLS数据,并设计简单生成式方法,在天气预报、雷暴警报和作物分割任务上取得竞争力。
2025-04-10 cs.AI cs.LG
PAX-TS: Model-agnostic multi-granular explanations for time series forecasting via localized perturbations
Department of Computer(计算机系);Systems Sciences Stockholm University(系统科学学院 斯德哥尔摩大学)
针对时间序列预测模型不透明且现有方法不适配的问题,提出模型无关的事后算法PAX-TS,基于局部扰动生成多粒度解释并刻画跨通道相关性,在基准测试中展现出有效捕捉模型行为、识别性能关联模式等优势,可阐释模型机制并回答实际预测问题。
2025-11-15 cs.AI cs.LG
Hierarchical Time Series Forecasting with Operator-Valued Kernels
Califrais
该研究针对分层时间序列预测的一致性与统计保证问题,提出基于算子值核的统一框架,通过构造结构化算子值核确保预测满足分层约束,经合成与真实数据集验证了方法的有效性。
2026-10-14 cs.LG stat.ML
HQFS: Hybrid Quantum Classical Financial Security with VQC Forecasting, QUBO Annealing, and Audit-Ready Post-Quantum Signing
Incedo Inc, USA(Incedo公司)
HQFS结合VQC预测、QUBO退火和后量子签名,提升金融决策的准确性与可追溯性。
2026-02-19 cs.AI cs.CL cs.LG
Test-Time Efficient Pretrained Model Portfolios for Time Series Forecasting
Dalle Molle Institute for Artificial Intelligence (IDSIA) - USI/SUPSI, Switzerland(达摩信息技术研究所(IDSIA)- USI/SUPSI,瑞士);Amazon Web Services(亚马逊网络服务)
本文提出了一种测试时高效的预训练模型组合方法,通过集成或模型选择在时间序列预测中实现高性能,且计算成本更低。
2026-02-11 cs.LG
Forecasting Cryptocurrency Returns from Sentiment Signals: An Analysis of BERT Classifiers and Weak Supervision
Humboldt University of Berlin(柏林洪堡大学)
预测金融市场中的价格发展是预测中持续感兴趣的主题。受深度学习和自然语言处理(NLP)的进步以及以新闻文章、社交媒体帖子等形式提供的大量文本数据的影响,越来越多的研究将基于文本的预测因子纳入预测模型。我们通过引入弱学习来为这一文献做出贡献,弱学习是最近提出的一种NLP方法,用于解决文本数据未标记的问题。如果没有因变量,就不可能在自定义语料库上微调预训练的NLP模型。我们证实,使用弱标签进行微调可以增强基于文本的特征的预测价值,并在预测加密货币回报的背景下提高预测准确性。更根本的是,我们提出的建模范式,弱标记特定领域的文本和微调预训练的NLP模型,普遍适用于(金融)预测,并解锁了利用文本数据的新方法。
2023-03-19 cs.LG q-fin.ST
A Self-supervised Approach to Hierarchical Forecasting with Applications to Groupwise Synthetic Controls
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Amazon(亚马逊)
当预测具有分层结构的时间序列时,现有技术是独立地预测每个时间序列,并且在后处理步骤中,以尊重分层的方式协调时间序列(Hyndman等人,2011; Wickramasuriya等人,2018年)。我们提出了一个新的损失函数,可以被纳入任何极大似然目标与分层数据,导致调和估计与置信区间,正确地考虑额外的不确定性,由于不完美的和解。我们评估我们的方法使用非线性模型和合成数据的反事实预测问题,在那里我们有机会获得地面真相和同期协变量,并表明,我们在很大程度上改善了现有的国家的最先进的方法。
2019-06-25 cs.LG stat.ML
Time-series Scenario Forecasting
Windlogics Inc.(Windlogics公司)
许多应用需要判断时间序列预测的不确定性的能力。不确定性通常被指定为围绕平均值或中位数预测的逐点误差条。由于时间依赖性,这种方法掩盖了一些信息。理想情况下,我们应该有一种方法来查询给定预测变量的整个时间序列的后验概率,或者至少能够从这个分布中提取样本。我们使用贝叶斯字典学习算法来统计生成预测的集合。我们表明,该算法执行以及基于物理的集成方法的温度预测休斯顿。我们的结论是,该方法显示出前景的情况下,基于物理的方法是缺席预测。
2012-11-13 cs.LG stat.AP stat.ML
Evaluating Sequence Assembly Strategies for Differentially Private Synthetic Time-Series Forecasting
Minjiang University(闽江学院)
该研究系统评估差分隐私合成时间序列的窗口组装策略,发现下游预测效用由预测器、重叠率和加权方案共同决定,且连续性诊断不足以指导组装选择。
2026-10-08 cs.LG
From Narrative to Auditable Forecasts: A Structured Scaffold for Agentic Forecasting
The Pennsylvania State University(宾夕法尼亚州立大学)
针对智能体预测缺乏结构化与可审计性的问题,提出AuditForecast脚手架,通过基线锚定、模型引导检索和几率空间更新实现结构化概率预测,提升准确性与校准度,并生成可审计报告。
2026-09-09 cs.CL cs.LG
Application of BERT in Wind Power Forecasting-Teletraan's Solution in Baidu KDD Cup 2022
Teletraan Inc.(Teletraan公司);Renmin University of China(中国人民大学)
针对风电功率长序列预测难度大的问题,提出将BERT模型结合日波动后处理的风电预测方案,在百度KDD Cup 2022的2490支队伍中获季军并开源代码。
2023-07-18 cs.LG eess.SP
Improving Coherence in Hierarchical Time Series Forecasting using Structured Temporal Fusion
提出层次时间融合(HTF)模型,通过结构化层次嵌入和一致性损失函数,在训练中直接嵌入一致性约束,同时建模时间动态和结构一致性,在M5和能源数据集上降低不一致性并提升预测精度。
2026-06-26 cs.LG
Generative forecasting of brain activity enhances Alzheimer's classification and interpretation
针对阿尔茨海默病相关脑成像数据集不足限制深度学习模型泛化的问题,本研究用基于LSTM和BrainLM的脑活动生成式预测做数据增强,提升了AD分类性能,还揭示了疾病相关的特异性脑网络敏感性。
2024-10-30 cs.LG q-bio.NC
VQLTI: Long-Term Tropical Cyclone Intensity Forecasting with Physical Constraints
University of Science and Technology of China(中国科学技术大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Hong Kong University of Science and Technology(香港科技大学)
提出VQLTI框架,通过将TC强度信息映射到离散潜在空间并保留空间差异,结合FengWu预报与潜在强度物理约束,在全球24h至120h长期热带气旋强度预测中将MSW误差较ECMWF-IFS降低35.65%-42.51%。
2025-01-30 cs.AI cs.LG
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
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
Forecasting Application Counts in Talent Acquisition Platforms: Harnessing Multimodal Signals using LMs
CareerBuilder LLC(凯雷布德有限责任公司);Indiana University Indianapolis(印第安纳大学印第安纳波利斯分校)
本文提出一种基于多模态语言模型的申请量预测方法,通过简单编码器融合职位发布元数据,在CareerBuilder真实数据集上优于现有时间序列方法。
2024-11-19 cs.AI cs.LG
Adaptive Automatic Model Selection for Demand Forecasting under Heterogeneous Demand Patterns
Department of Computer Engineering and Informatics, Faculty of Engineering, University of Santiago of Chile(工程学院计算机工程与信息学系,智利圣塔克鲁斯大学)
本文提出了一种面向 horizon 的决策支持框架,用于在需求波动大、不确定性高的生产计划中选择需求预测模型,通过 MDFH 方法预测误差指标并提出 RMSSEh 和 AHSIV 作为改进的模型选择方法。
2026-06-24 cs.AI cs.LG
ProbRes: Volatility Learning for Probabilistic Time-Series Forecasting
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)
提出ProbRes,一种事后概率校准方法,通过显式学习波动率动态来改进概率预测,有效处理异方差数据,并在理论和实验上验证其有效性。
2026-06-01 cs.LG stat.ME stat.ML
On the benefits of maximum likelihood estimation for Regression and Forecasting
Google Research(谷歌研究院)
我们提倡一种实用的极大似然估计(MLE)方法来设计回归和预测的损失函数,作为对特定目标指标直接经验风险最小化的典型方法的替代方案。MLE方法更适合于捕获归纳偏差,例如数据集中的先验领域知识,并且可以在推理时输出可以优化不同类型的目标度量的事后估计。我们目前的理论结果表明,我们的方法是有竞争力的任何估计的目标度量在一些一般条件下。在两个例子的实际设置,泊松和帕累托回归,我们表明,我们的竞争结果可以用来证明,MLE方法有更好的超额风险界限比直接最小化的目标度量。我们还通过经验证明,我们的方法使用设计良好的通用混合似然家族实例化,可以在具有不同数据分布的时间序列预测和回归数据集的各种任务中获得卓越的性能。
2021-10-09 cs.AI cs.LG stat.ML
Dual reparametrized Variational Generative Model for Time-Series Forecasting
King’s College London(伦敦国王学院)
本文提出了一种用于时间序列预测的生成式模型DualVDT。在变分自编码器(VAE)模型中引入双重重参数化变分机制,收紧了模型的证据下限(ELBO),并从理论上证明了其性能的提高。该机制利用基于潜在基于得分的生成模型(SGM),通过逆时随机微分方程和变分祖先采样显式地去除潜在向量上累积的扰动。融合对偶重参数变分密度的隐分布去噪后验。ELBO中的KL发散将减小,以达到更好的模型结果。本文还提出了一种潜在的注意力机制来显式提取多元依赖关系。通过构造局部拓扑和时态关联,在因子关联中同时建立局部时态关联。在多个数据集上的验证和实验表明,DualVDT具有一种新的双重重新参数化结构,通过逆动力学结合局部时间推理来消除潜在扰动,在分析和实验上都具有先进的性能。
2022-03-11 cs.AI 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
Energy consumption forecasting using a stacked nonparametric Bayesian approach
The Commonwealth Scientific and Industrial Research Organisation (CSIRO)(联邦科学与工业研究组织)
本文在非参数高斯过程(GP)的框架内,使用多个短时间序列数据的家庭能源消费量的预测过程进行了研究。随着我们开始使用智能电表数据来更清晰地描绘住宅用电情况,越来越明显的是,我们还必须构建一个详细的画面,了解消费者与天然气消费的复杂关系。电力和天然气的消费模式高度依赖于各种因素,这些因素之间错综复杂的相互作用是复杂的。此外,由于典型的天然气消费数据是具有非常少的时间点的低粒度数据,因此传统时间序列预测技术的简单应用可能导致严重的过拟合。考虑到这些因素,我们构建了一个堆叠GP方法,其中每个GP应用于每个任务的预测后验用于下一级GP的先验和可能性。我们将我们的模型应用于真实世界的数据集,以预测澳大利亚几个州的家庭能源消耗。我们将直观吸引人的结果与其他常用的机器学习技术进行比较。总体而言,结果表明,所提出的堆叠GP模型优于我们测试的其他预测技术,特别是当我们有多个短时间序列实例时。
2020-11-11 cs.AI cs.LG
Temporally-Reweighted Chinese Restaurant Process Mixtures for Clustering, Imputing, and Forecasting Multivariate Time Series
Probabilistic Computing Project Massachusetts Institute of Technology(麻省理工学院概率计算项目)
本文提出了一种贝叶斯非参数方法,用于稀疏观测的多变量时间序列数据的预测、插补和聚类。该方法适用于联合建模数百个时间序列广泛变化,非平稳动态。给定$N$时间序列的集合,贝叶斯模型首先使用中国餐馆过程先验将它们划分为独立的聚类。在一个集群内,所有的时间序列建模共同使用一种新的“临时重新加权”的中国餐馆的过程混合物的扩展。使用马尔可夫链蒙特卡罗技术从后验分布中获得样本,然后将其用于形成预测推断。我们使用美国疾病控制和预防中心的季节性流感数据将该技术应用于具有挑战性的预测和估算任务,与多个广泛使用的基线相比,显示出卓越的预测准确性和具有竞争力的估算准确性。我们进一步表明,该模型发现可解释的集群数据集与数百个时间序列,使用宏观经济数据从Gapminder基金会。
2018-04-01 cs.LG stat.ME stat.ML
Disease-level drug approval forecasting from trial-agnostic public data
University of California, Davis(加州大学戴维斯分校);USDA AI Institute for Food Systems (AIFS)(美国农业部食品系统人工智能研究所)
本研究利用非临床试验公共数据构建14134个药物-疾病对队列,训练分类器预测FDA批准,可优先排序同一药物的疾病,准确率优于随机选择,还提供了公共预测工具。
2026-10-14 cs.LG q-bio.QM