Hierarchically Regularized Deep Forecasting
Carnegie Mellon University(卡内基梅隆大学);Google Research(谷歌研究院)
层次预测是许多实际多变量预测应用中的关键问题-目标是同时预测大量相关的时间序列,这些时间序列排列在预先指定的聚合层次中。主要的挑战是利用层次相关性,同时获得良好的预测精度的时间序列在不同层次。在本文中,我们提出了一种新的方法,由两个组成部分的分层预测。首先,沿着基时间序列的全局集合分解时间序列,并使用基分解的系数来建模分层约束。第二,使用系数随时间变化的线性自回归模型。与过去的方法不同,我们的方法是可扩展的(对特定时间序列的推断只需要访问它自己的历史),同时还通过时间序列预测之间的(近似)一致性约束来建模层次结构。我们在几个公共数据集上进行了实验,与现有的最先进的分层模型相比,我们在不同层次的预测上表现出显着改善的整体性能。
2021-10-12 cs.LG
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
Hierarchical Industrial Demand Forecasting with Temporal and Uncertainty Explanations
Georgia Institute of Technology(佐治亚理工学院)
本文提出了一种用于分层工业需求预测的可解释性方法,通过分析时间序列和不确定性来提高预测的可解释性,帮助用户更好地理解预测结果并做出决策。
2026-03-06 cs.LG
ScatterFusion: A Hierarchical Scattering Transform Framework for Enhanced Time Series Forecasting
School of Computer Engineering and Science(计算机工程与科学学院)
ScatterFusion通过结合散射变换与分层注意力机制,提升时间序列预测的鲁棒性和准确性。
2026-01-28 cs.LG
Simultaneously Reconciled Quantile Forecasting of Hierarchically Related Time Series
UT Austin(德克萨斯大学奥斯汀分校);IntuitAI(Intuit人工智能部门)
许多现实生活中的应用涉及同时预测多个时间序列,这些时间序列通过聚合或分解操作在层次上相关。例如,商业组织通常希望同时预测商店、城市和州级别的库存,以用于资源规划目的。在这种应用中,重要的是,预测除了相当准确之外,还相互一致。尽管经济学家和数据科学家一直在追求预测这种分层时间序列,但目前最先进的模型使用强有力的假设,例如,所有预测均为无偏估计,噪声分布为高斯分布。此外,最先进的模型还没有利用现代非线性模型的力量,特别是基于深度学习的模型。在本文中,我们建议使用一个灵活的非线性模型,优化分位数回归损失加上适当的正则化条款,以保持跨层次的预测的一致性。本文介绍的理论框架可以应用于具有潜在可微损失函数的任何预测模型。我们所提出的方法的最优性的证明。一系列数据集的模拟研究突出了我们方法的有效性。
2021-02-25 cs.LG
HiPerformer: Hierarchically Permutation-Equivariant Transformer for Time Series Forecasting
The University of Tokyo(东京大学);RIKEN AIP(理化学研究所人工智能研究中心)
提出层级置换等变Transformer(HiPerformer),通过考虑组内与组间关系,提升多时间序列预测性能,并在真实数据上超越现有最先进方法。
2023-05-14 cs.LG
Zero-Shot Time Series Forecasting with Covariates via In-Context Learning
Johannes Kepler University Linz(约翰·凯撒大学林茨);University of Cambridge(剑桥大学);AWS AI Labs(亚马逊AI实验室)
本文提出零样本时间序列预测模型 COSMIC,通过上下文学习有效利用协变量,并设计 Informative Covariate Augmentation 解决协变量数据稀缺问题,在有无协变量场景下均取得最先进性能。
2025-06-03 cs.LG
Hierarchical Classification Auxiliary Network for Time Series Forecasting
Tianjin University(天津大学);Agency for Science, Technology and Research(新加坡科技研究局)
针对MSE损失导致时间序列预测过度平滑的问题,提出与模型无关的分层分类辅助网络HCAN,通过分层感知注意力模块提取多粒度高熵特征,并结合不确定性感知分类器和分层一致性损失优化预测,在多个真实数据集上显著超越基线模型。
2024-12-24 cs.LG
Hierarchical Time Series Forecasting with Robust Reconciliation
Department of Industrial Engineering and Economics(工业工程与经济学系);Institute of Science(科学研究所);Tokyo(东京)
本文提出了一种鲁棒优化框架,用于分层时间序列预测中的不确定性调整,以提升预测性能。
2026-02-05 cs.LG
PRISM: A hierarchical multiscale approach for time series forecasting
University of Pennsylvania(宾夕法尼亚大学)
PRISM通过分层多尺度方法提升多变量时间序列预测的准确性,结合树形结构和时间-频率基提取特征,实现全局与局部动态的联合建模。
2025-12-31 cs.LG
ChronosX: Adapting Pretrained Time Series Models with Exogenous Variables
Amazon Web Services(亚马逊网络服务);University of Freiburg(弗莱堡大学);Technical University of Denmark(丹麦技术大学)
针对预训练时间序列模型难以利用任务相关协变量的问题,本文提出ChronosX,通过模块化块注入过去与未来外生变量,并构建32个合成数据集基准,实验证明其优于现有基线。
2025-03-15 cs.AI cs.LG
HPMixer: Hierarchical Patching for Multivariate Time Series Forecasting
ISMLL, University of Hildesheim(ISMLL,希尔德斯海姆大学)
HPMixer通过分层拼接机制结合周期性建模与多尺度残差学习,提升多变量时间序列预测性能。
2026-02-19 cs.LG
U-Cast: Learning Hierarchical Structures for High-Dimensional Time Series Forecasting
Emory University(埃默里大学)
针对高维时间序列预测中的复杂层级通道关联问题,提出U-Cast架构与Time-HD基准,通过查询注意力和全秩正则化提升预测准确率与效率。
2025-09-29 cs.LG
SLOTH: Structured Learning and Task-based Optimization for Time Series Forecasting on Hierarchies
Ant Group(蚂蚁集团)
针对层级时间序列预测中层级信息未用于预测阶段、调和方法依赖强假设的问题,提出SLOTH框架,通过自顶向下卷积和自底向上注意力整合层级特征,结合神经优化网络实现无假设一致预测与任务化约束,性能优于现有方法。
2023-02-27 cs.LG
Hierarchical Ensemble-Based Feature Selection for Time Series Forecasting
Bilkent University(比尔肯特大学)
针对非平稳、少样本高维特征的时间序列预测场景,提出基于分层堆叠的集成特征选择方法,利用分层结构挖掘特征依赖以优化损失,在多数据集上实现性能提升并开源代码。
2024-10-04 cs.LG
Hierarchical Joint Graph Learning and Multivariate Time Series Forecasting
Hanyang University(汉阳大学)
本文提出将多元时间序列建模为图节点,结合图神经网络、注意力机制和层次化信号分解捕获多种时空依赖,在多个长期预测基准上相比现有模型平均降低23%的MSE。
2023-11-30 cs.LG
ProtoTS: Learning Hierarchical Prototypes for Explainable Time Series Forecasting
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学人工智能学院);DAMO Academy, Alibaba Group(阿里集团大模型学院);Hupan Laboratory(华平实验室)
ProtoTS通过层次原型学习实现高精度且透明的时间序列预测,提供多级可解释性以增强模型理解和决策支持。
2026-02-27 cs.LG
Hierarchical Time Series Forecasting Via Latent Mean Encoding
Zalando SE(Zalando公司)
提出一种基于潜在均值编码的层次时间序列预测架构,通过专门模块预测不同时间聚合级别并在隐藏层编码目标变量平均行为,在M5数据集上优于TSMixer等既有方法,实现准确且相干的跨层次预测。
2025-06-24 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
Model selection in reconciling hierarchical time series
Monash University(蒙纳士大学);National Technical University of Athens(雅典国家技术大学)
模型选择已被证明是提高时间序列预测精度的有效策略。然而,在处理分层时间序列时,除了选择最合适的预测模型外,预测者还必须选择合适的方法来协调为每个序列产生的基本预测,以确保它们是连贯的。虽然一些分层预测方法,如最小跟踪,在理论和经验上都得到了有力的支持,以协调基本预测,但在某些情况下,它们可能不会产生最准确的结果,被其他方法超越。在本文中,我们提出了一种方法,动态选择最合适的层次预测方法,并取得更好的预测精度以及一致性。该方法,被称为有条件的层次预测,是基于机器学习分类方法,并使用时间序列的功能作为领先的指标进行选择,考虑到各种替代品的每一个层次。我们的研究结果表明,条件层次预测导致更准确的预测比标准的方法,特别是在较低的层次。
2020-10-29 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
Parameter-Efficient Adaptation of Pretrained Language Models for Time-Series Forecasting
University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院);University of Cambridge(剑桥大学)
本研究提出参数高效框架,将预训练语言模型适配于时间序列预测,通过连续块嵌入优于文本提示,仅更新不到1%参数即达专业架构精度。
2026-09-15 cs.AI cs.CL cs.LG
Efficient Forecasting of Large Scale Hierarchical Time Series via Multilevel Clustering
UT Austin(德克萨斯大学奥斯汀分校);Intuit AI(Intuit人工智能研究院)
我们提出了一种新的方法来聚类分层聚合的时间序列数据,这仍然是一个研究不足的问题,但它有几个商业应用。我们首先在每个聚合级别对时间序列进行分组,同时利用本地和全球信息。该方法可以对不同长度和结构的层次时间序列进行聚类。对于常见的两级层次结构,我们采用了一个组合的目标,局部和全局聚类空间的离散概率测度,使用Wasserstein距离加上软DTW发散。对于多层次结构,我们提出了一个自底向上的过程,逐步利用较低级别的信息,较高级别的集群。我们的最终目标是提高预测的准确性和速度,为现实世界的应用所需的大量HTS。为了实现这一目标,每个时间序列首先被分配其集群代表的预测,这可以被认为是一个“收缩先验”的时间序列,它代表的集合。然后,这个基本预测可以快速微调,以适应该时间序列的具体情况。我们的经验表明,我们的方法大大提高了性能的速度和准确性方面的大规模预测任务,涉及很多HTS。
2022-05-27 cs.LG
Quantile-Guided Diffusion for Probabilistic Time-Series Forecasting
Technion – Israel Institute of Technology(以色列理工学院)
该研究提出Control-TS模型,将预测分位数作为分布控制量引导预训练扩散预测器,在8个基准测试中提升了预测性能,还引入CLPS评估生成未来序列的下游效用。
2026-10-16 cs.LG
Dirichlet Proportions Model for Hierarchically Coherent Probabilistic Forecasting
Google(谷歌);Carnegie Mellon University(卡内基梅隆大学)
概率层次相干预测是许多实际预测应用中的一个关键问题--其目标是为大量的时间序列获得相干的概率预测,这些时间序列排列在预先指定的树层次中。在本文中,我们提出了一个端到端的深度概率模型的层次预测,是由一个经典的自上而下的战略。它共同学习根时间序列的分布,以及每个父时间序列在任何时间点在其子时间序列中分裂的(Dirichlet)比例。由此产生的预测是自然连贯的,并提供概率预测的所有时间序列的层次结构。我们在几个公共数据集上进行了实验,并证明与最先进的基线相比,大多数数据集的显著改进高达26%。最后,我们还提供了理论上的理由,我们的自上而下的方法相比,更传统的自下而上的建模的优越性。
2023-03-01 cs.LG stat.ML
Graph-based Time Series Clustering for End-to-End Hierarchical Forecasting
The Swiss AI Lab IDSIA(瑞士人工智能实验室IDSIA);Università della Svizzera italiana(瑞士意大利语大学);Imperial College London(帝国理工学院);Politecnico di Milano(米兰理工大学)
本文提出基于图的统一关系与层次归纳偏置的深度预测方法,通过可训练图池化学习层次结构并引入可微分协调阶段,实验优于现有方法。
2024-08-21 cs.AI cs.LG
Where Will Players Move Next? Dynamic Graphs and Hierarchical Fusion for Movement Forecasting in Badminton
National Yang Ming Chiao Tung University(国立阳明交通大学)
针对羽毛球运动中球员回球类型与移动位置预测的空白问题,提出构建球员移动图与带交互提取器、层级融合模块的DyMF模型,实验证明其效果优于现有序列与图方法,具备实际应用价值。
2023-06-14 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
Learning the Dynamic Correlations and Mitigating Noise by Hierarchical Convolution for Long-term Sequence Forecasting
Peking University(北京大学);Key Laboratory of High Confidence Software Technologies, Ministry of Education(高可信软件技术教育部重点实验室);National Engineering Research Center of Software Engineering, Peking University(北京大学软件工程国家工程研究中心)
针对长期序列预测中动态变量交互和噪声问题,提出分层记忆网络HMNet,通过分层卷积、动态变量交互和自适应去噪模块,在五个基准上MSE和MAE分别提升10.6%和5.7%。
2023-12-28 cs.LG
Output Scaling: YingLong-Delayed Chain of Thought in a Large Pretrained Time Series Forecasting Model
Alibaba-inc(阿里巴巴集团)
本研究提出基于非因果延迟思维链的时间序列联合预测框架,训练出仅编码器双向注意力的基础模型YingLong,结合多输入集成提升性能,在多个基准上显著优于现有模型,揭示了输出长度提升准确率的缩放效应。
2025-05-20 cs.AI cs.LG
When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting
Georgia Institute of Technology(佐治亚理工学院)
针对概率层次时间序列预测中分布连贯性缺失及数据集不一致的问题,提出PROFHiT模型,通过分布连贯性正则化联合建模整个层次预测分布,显著提升了准确率、校准效果及缺失数据下的鲁棒性。
2023-10-19 cs.AI cs.LG
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
fev-bench: A Realistic Benchmark for Time Series Forecasting
AWS(亚马逊云服务);Keystone AI;Prior Labs;Amazon(亚马逊);Boston College(波士顿学院)
提出包含100个任务(46个含协变量)的跨领域基准fev-bench,并开发轻量级Python库fev,通过自举置信区间实现原则性聚合,评估预训练、统计和基线模型。
2026-11-05 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
When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting
针对概率分层时间序列预测中分布连贯性缺失及对不一致真实数据集适应性差的问题,提出全概率模型PROFHiT,通过引入Distributional Coherency正则化联合建模整个层级预测分布,显著提升了准确率、校准效果及对缺失数据的鲁棒性。
2023-10-19 cs.AI cs.LG
HintNet: Hierarchical Knowledge Transfer Networks for Traffic Accident Forecasting on Heterogeneous Spatio-Temporal Data
University of Iowa(爱荷华大学);Northern Illinois University(北伊利诺伊大学);Worcester Polytechnic Institute(伍斯特理工学院)
交通事故预测是交通管理和公共安全的重要问题。然而,由于环境的空间异质性和事故在空间和时间上的稀疏性,这个问题是具有挑战性的。交通事故的发生受到时空特征之间复杂依赖关系的影响。最近的交通事故预测方法已经尝试使用深度学习模型来提高准确性。然而,大多数这些方法要么集中在小规模和均匀的地区,如人口稠密的城市,或简单地使用基于滑动窗口的集成方法,这是不足以处理大区域的异质性。为了解决这些局限性,本文提出了一种新的层次知识转移网络(HintNet)模型,以更好地捕捉不规则的异质性模式。HintNet执行多级空间分区,以分离具有不同风险的子区域,并使用时空和图形卷积为每个级别学习深度网络模型。通过跨级别的知识转移,HintNet实现了更高的准确性和更高的培训效率。对来自爱荷华州的真实事故数据集进行的大量实验表明,HintNet在空间异构和大规模区域上的表现优于最先进的方法。
2022-03-07 cs.LG
N-HiTS: Neural Hierarchical Interpolation for Time Series Forecasting
Carnegie Mellon University(卡内基梅隆大学);Unity Technologies;Nixtla
神经预测的最新进展加速了大规模预测系统性能的提高。然而,长期预测仍然是一项非常困难的任务。两个常见的挑战困扰的任务是预测的波动性和它们的计算复杂性。我们介绍N-HiTS,一个模型,它解决了这两个挑战,将新的分层插值和多速率数据采样技术。这些技术使所提出的方法能够顺序地组装其预测,强调具有不同频率和尺度的分量,同时分解输入信号并合成预测。我们证明了分层插值技术可以有效地近似任意长的视野中存在的光滑性。此外,我们从长期预测文献中进行了广泛的大规模数据集实验,证明了我们的方法相对于最先进方法的优势,其中N-HiTS比最新的Transformer架构提供了近20%的平均准确度提高,同时将计算时间减少了一个数量级(50倍)。我们的代码可在bit.ly/3VA5DoT上获得
2022-11-29 cs.AI cs.LG
MUSE: Dependency-Aware Adaptation of a Frozen Vision Backbone for Multivariate Time Series Forecasting
East China Normal University(华东师范大学)
MUSE提出依赖感知适配框架,基于冻结的MAE视觉骨干,通过VCR和TPR模块建模跨变量与跨周期依赖,在10个数据集上取得最先进预测性能。
2026-09-22 cs.LG
HierarchicalForecast: A Reference Framework for Hierarchical Forecasting in Python
Nixtla
针对时间序列分层预测的一致性需求及研究基准缺失问题,推出基于Python的HierarchicalForecast库,含预处理数据集、评估指标与统计基线模型,以衔接统计/计量建模与机器学习预测研究。
2024-10-10 cs.AI cs.LG stat.ML
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
A Comprehensive Forecasting Framework based on Multi-Stage Hierarchical Forecasting Reconciliation and Adjustment
Walmart Global Tech(沃尔玛全球技术部门)
针对分层时间序列预测中传统协调方法牺牲准确性且难以捕捉季节性的问题,提出Multi-Stage HiFoReAd框架,通过多阶段协调与调整实现准确且一致的预测,并在Walmart内部及公开数据集上显著降低误差,已成功部署。
2024-12-19 cs.DC cs.LG
HDT: Hierarchical Discrete Transformer for Multivariate Time Series Forecasting
College of Computing and Data Science, Nanyang Technological University (NTU)(南洋理工大学计算与数据科学学院);Webank-NTU Joint Research Institute on Fintech, NTU(微众银行-南洋理工大学金融科技联合研究院);Tencent AI Lab(腾讯人工智能实验室)
针对高维多变量时间序列预测中生成模型扩展难、预测长度受限的问题,提出HDT分层离散Transformer框架,通过离散token表示和分层建模延长预测长度并提升性能,实验验证其有效性。
2025-02-12 cs.AI cs.LG
HARN: Hierarchical Associative Resonance Network for Event-Driven Multi-Timeframe Forecasting
Dr. APJ Abdul Kalam Technical University(APJ阿卜杜勒·卡拉姆技术大学)
HARN是一种层次关联共振网络,通过持久表示和事件驱动更新实现多时间框架预测,在四个资产上达到与基线相当的误差,并验证了组件有效性。
2026-11-03 cs.LG q-fin.CP q-fin.GN
Large Scale Hierarchical Industrial Demand Time-Series Forecasting incorporating Sparsity
Georgia Institute of Technology(佐治亚理工学院);The Dow Chemical Company(陶氏化学公司)
本文提出概率分层模型HAILS,通过自适应建模稀疏与密集时间序列并协调分层约束,解决了大规模工业需求预测中的稀疏性和可扩展性问题,在实际部署中显著提升了预测准确率。
2024-07-02 cs.LG stat.ME
Improving the forecast accuracy of wind power by leveraging multiple hierarchical structure
Lucas English School of Mathematics and Physics The University of Queensland St Lucia, QLD 4072, Australia(Lucas English 数学与物理学院 昆士兰大学 斯塔 Lucia 分校);Mahdi Abolghasemi School of Mathematics and Physics The University of Queensland St Lucia, QLD 4072, Australia(Mahdi Abolghasemi 数学与物理学院 昆士兰大学 斯塔 Lucia 分校)
本文利用风机的截面与时间层次构建跨时间层次,证明跨时间协调优于单独截面协调,且机器学习预测经协调后在粗时间粒度上精度高,为高频风电预测提供方法指导。
2025-09-19 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
Multivariate Online Linear Regression for Hierarchical Forecasting
Sorbonne University(索邦大学);Paris Cité University(巴黎城市大学);CNRS(法国国家科学研究中心);LOPF;LPSM
本文提出MultiVAW方法,将Vovk-Azoury-Warmuth算法推广至多元在线线性回归,证明其对数遗憾界,并应用于在线分层预测以放宽现有算法的分析假设。
2024-02-22 cs.LG math.OC stat.ML
Considering Nonstationary within Multivariate Time Series with Variational Hierarchical Transformer for Forecasting
National Laboratory of Radar Signal Processing(雷达信号处理国家重点实验室);Xidian University(西安电子科技大学)
针对现有多变量时间序列预测方法忽略固有非平稳性、缺乏随机性的问题,提出融合层次概率生成模块与Transformer的HTV-Trans模型,有效提升预测性能。
2024-03-08 cs.AI cs.LG
Hierarchical learning, forecasting coherent spatio-temporal individual and aggregated building loads
Technical University of Eindhoven(埃因霍温理工大学);Technical University of Denmark(丹麦技术大学)
本文提出一种多维分层预测方法,在统一框架下协调空间与时间层次,通过一致性感知学习器和最优协调技术实现建筑负荷在时空及聚合层次上的统一一致预测,并在两个案例中验证其价值与局限。
2023-01-30 cs.AI cs.LG
Probabilistic Hierarchical Forecasting with Deep Poisson Mixtures
Carnegie Mellon University(卡内基梅隆大学);Amazon(亚马逊)
本文提出深度泊松混合网络(DPMN),结合神经网络与统计模型实现分层时间序列的准确且一致概率预测,在多个公共数据集上验证其效果。
2023-04-11 cs.AI cs.LG
Machine learning applications in time series hierarchical forecasting
Monash University(莫纳什大学);University of Sydney(悉尼大学)
供应链中的许多情况下都需要层次预测,因为管理者通常需要对供应链不同层次的预测进行决策。自上而下(TD)、自下而上(BU)和最优组合(COM)是常见的HF模型。这些方法是静态的,往往忽视了动态的系列,而分解它们。因此,他们可能无法很好地执行,如果调查组的时间序列受到大的变化,如在促销期间。我们解决HF问题的预测现实世界的销售时间序列的高度影响的促销。我们使用三种机器学习(ML)模型来捕捉销售随时间的变化。人工神经网络(ANN),极端梯度提升(XGboost),和支持向量回归(SVR)算法被用来估计低级别的时间序列从上层的比例。我们对61组具有不同波动率的时间序列进行了深入分析,结果表明ML模型具有竞争力,并且优于文献中一些成熟的模型。
2019-12-01 cs.LG stat.ML
BiHRNN -- Bi-Directional Hierarchical Recurrent Neural Network for Inflation Forecasting
Tel Aviv University(特拉维夫大学)
针对CPI分层结构导致的通胀预测难题,提出双向分层循环神经网络BiHRNN,通过层级间双向信息流和参数约束提升预测精度,在多国数据集上显著优于传统RNN。
2025-02-27 cs.LG econ.GN q-fin.CP
Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer
Sun Yat-sen University(中山大学);The Hong Kong Polytechnic University(香港理工大学);Smart Cities Research Institute, The Hong Kong Polytechnic University(香港理工大学智慧城市研究院);Research Institute, Sun Yat-sen University(中山大学研究院)
本文提出层次时空Transformer网络HSTTN,通过沙漏形编码器-解码器框架、并行Transformer骨架和上下文融合块,有效建模多尺度时空依赖,提升长期风电功率预测精度。
2023-05-30 cs.AI cs.LG
RHiOTS: A Framework for Evaluating Hierarchical Time Series Forecasting Algorithms
LIACC/Faculty of Engineering, University of Porto(波尔图大学工程学院/LIACC);Fraunhofer AICOS Portugal(弗劳恩霍夫AICOS葡萄牙分部);Dalhousie University(达尔豪斯大学)
本文提出RHiOTS框架,通过可参数化变换和可视化组件系统评估分层时间序列预测算法的鲁棒性,发现传统统计方法总体上比深度学习算法更鲁棒,且MinT等协调方法对算法鲁棒性无显著影响。
2024-08-06 cs.AI cs.LG