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
Tackling Time-Series Forecasting Generalization via Mitigating Concept Drift
Georgia Institute of Technology（佐治亚理工学院）
本文提出ShifTS框架，通过统一处理时间序列中的时间漂移和概念漂移，提升预测准确性。
2026-03-25 cs.LG
Enhancing Forecasting with a 2D Time Series Approach for Cohort-Based Data
Lightricks（利加特里克斯）
本文提出一种二维时间序列预测模型，通过整合队列随时间的演化行为解决小数据环境下的预测难题，并在多个真实数据集上验证其准确性和适应性优于参考模型，为财务与营销领域的战略决策提供支持。
2025-08-21 cs.LG
Fast-Fourier-Forecasting Resource Utilisation in Distributed Systems
Imperial College London（帝国理工学院）；IBM Research（IBM研究院）
分布式计算系统通常由数百个节点组成，执行具有不同资源需求的任务。在这样的系统中，有效的资源供应和任务调度是重要的，并且需要密切监视和准确预测系统的状态，特别是在其组成机器处的资源利用率。在实现这些目标方面存在两个挑战。首先，收集监控数据需要大量的通信开销。这种开销可能非常高，特别是在带宽有限的网络中。其次，预测资源利用率的预测模型应该准确，并且需要表现出较高的推理速度。关键任务调度和资源分配算法使用这些预测并依赖于它们的即时可用性。为了解决第一个挑战，我们提出了一个有效的通信数据汇集机制。资源利用数据在系统中的各个机器处收集，并分批传输到中央控制器。每一批都是通过基于傅立叶变换和频域截断的自适应数据简化算法处理的。我们表明，所提出的机制导致通信开销显着减少，同时只产生最小的错误，并坚持准确性保证。为了解决第二个挑战，我们提出了一个深度学习架构，使用复杂的门控循环单元来预测资源利用率。该架构直接与上述数据汇集机制集成，以提高预测模型的推理速度。使用两个真实世界的数据集，我们证明了我们的方法的有效性，无论是在预测精度和推理速度。我们的方法解决了资源配置框架中遇到的挑战，并可以应用于其他预测问题。
2020-08-07 cs.DC cs.LG
RPMixer: Shaking Up Time Series Forecasting with Random Projections for Large Spatial-Temporal Data
Visa Research（Visa研究中心）
本文提出全 MLP 架构 RPMixer，通过随机投影层增强残差模块输出多样性，使不依赖空间关系的通用时间序列模型在大型时空预测基准上超过图模型与通用预测方法。
2024-06-12 cs.AI cs.LG
Taming the Long Tail of Deep Probabilistic Forecasting
University of California, San Diego（加州大学圣地亚哥分校）
深度概率预测在许多应用中越来越受到关注，从天气预报到电力消耗估计，再到自动驾驶车辆轨迹预测。然而，现有的方法集中在最常见的情况下，没有解决罕见的和困难的情况下的性能的改进。在这项工作中，我们确定了最先进的深度学习方法在概率预测方面的长尾行为。我们提出了两个基于矩的尾部测量概念，以提高性能的困难的尾巴的例子：帕累托损失和峰度损失。峰度损失是关于损失分布的平均值的四阶矩的对称度量。帕累托损失是不对称的测量右尾，使用广义帕累托分布（GPD）建模的损失。我们展示了我们的方法在几个真实世界的数据集，包括时间序列和时空轨迹的性能，实现了显着的改善尾部的例子。
2022-03-02 cs.LG
Harmful algal bloom forecasting. A comparison between stream and batch learning
Universidade da Coruña（拉科鲁尼亚大学）；Centro de investigación CITIC（CITIC研究中心）；University of A Coruña（拉科鲁尼亚大学）；Instituto de Investigaciones Mariñas (IIM-CSIC)（海洋研究所（CSIC））；Centro de Estudos do Ambiente e do Mar（环境与海洋研究中心）；University of Aveiro（阿威罗大学）
本文针对有害藻华预测中历史数据受限和概念漂移问题，提出基于 CROCO 海洋模型输出的机器学习工作流，比较七种算法在批量与流式学习范式下的表现，发现可解释流式模型 DoME 在 3 天预测中平均 R2 达 0.77，效果最佳。
2024-02-20 cs.AI cs.LG
OneShotSTL: One-Shot Seasonal-Trend Decomposition For Online Time Series Anomaly Detection And Forecasting
Alibaba Group（阿里巴巴集团）
提出OneShotSTL算法，通过O(1)复杂度的在线季节-趋势分解，解决实时时间序列分析延迟问题，速度提升超千倍且保持高精度。
2023-04-04 cs.AI cs.DB cs.LG
Privacy Amplification by Structured Subsampling for Deep Differentially Private Time Series Forecasting
Technical University of Munich \& Munich Data Science Institute；Machine Learning Research, Morgan Stanley
针对DP-SGD与时间序列预测不兼容的问题，提出结构化子采样实现隐私放大，支持训练具有严格事件级和用户级隐私保证的预测模型，并证明数据增强可进一步放大隐私。
2025-08-04 cs.CR cs.LG stat.ML
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
Unified Training of Universal Time Series Forecasting Transformers
Salesforce AI Research（Salesforce AI研究院）；School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算与信息系统学院）
本文提出Moirai，一种基于掩码编码器的通用时间序列预测Transformer，通过跨频率学习等改进，在大规模数据集LOTSA上训练，实现零样本预测性能媲美全样本模型。
2024-05-22 cs.AI cs.LG
Forecasting Day-Ahead Electricity Prices in the Integrated Single Electricity Market: Addressing Volatility with Comparative Machine Learning Methods
School of Electronics, Electrical Engineering and Computer Science, Queen’s University Belfast（贝尔法斯特女王大学电子、电气工程与计算机科学学院）
本研究针对爱尔兰综合单一电力市场的高波动日前电价，对比传统机器学习与神经网络模型及不同训练周期的预测效果，明确了欧盟气价等关键特征的重要性及可再生能源对电价的压低作用。
2024-08-10 cs.AI cs.LG cs.SY
Machine Learning for Campus Energy Resilience: Clustering and Time-Series Forecasting in Intelligent Load Shedding
University of Lagos（拉各斯大学）
本研究针对拉各斯大学提出基于机器学习的智能减载框架，通过主成分分析降维和Mini-Batch K-Means聚类划分建筑需求等级，并结合Prophet等模型进行短期负荷预测，实现更公平、数据驱动的配电优化。
2025-09-21 cs.LG cs.SY eess.SY
The DeepCAR Method: Forecasting Time-Series Data That Have Change Points
Ruhr-University Bochum（波鸿鲁尔大学）
时间序列预测的许多方法在经典统计学中是已知的，例如自回归，移动平均和指数平滑。DeepAR框架是一种基于深度学习的新型时间序列预测方法。DeepAR已经显示出非常有希望的结果。然而，时间序列通常有变化点，这会大大降低DeepAR的预测性能。本文通过检测和包含这些变化点来扩展DeepAR框架。我们表明，当没有变化点时，我们的方法的性能与标准DeepAR一样好，当有变化点时，性能要好得多。更一般地说，我们表明批量大小提供了一种有效且令人惊讶的简单方法来处理DeepAR，Transformers和其他现代预测模型中的变化点。
2023-02-22 cs.AI cs.LG stat.ME
From Distributional to Quantile Neural Basis Models: the case of Electricity Price Forecasting
CNR, Institute of Intelligent Industrial Technologies and Systems for Advanced Manufacturing（CNR，智能工业技术与系统研究所）
该研究提出Quantile Neural Basis Model，将分位数广义可加模型的可解释性融入端到端神经网络，无需参数化分布假设，在电力价格预测中实现了与现有神经网络相当的性能并提供了模型行为见解。
2025-09-17 cs.LG
TMAML: Temporal Model-Agnostic Meta-Learning for Cold-Start Time Series Forecasting
Ghent University（根特大学）
针对冷启动时间序列预测，提出时间模型无关元学习（TMAML），通过构建时间一致的元任务并优化模型，使预测模型在少数据下快速适应，实证表明其优于或匹配标准训练模型。
2026-10-06 cs.LG
Horizon Activation Mapping for Neural Networks in Time Series Forecasting
Department of Computer Science Engineering（计算机科学工程系）；Shiv Nadar University Chennai（施瓦纳达大学钦奈）
提出一种基于梯度范数平均的视觉可解释性技术HAM，用于跨不同神经网络家族的时间序列预测模型选择与比较。
2026-05-28 cs.LG math.FA
Unify and Anchor: A Context-Aware Transformer for Cross-Domain Time Series Forecasting
Nanjing University（南京大学）；HKUST(GZ)（香港科技大学（广州））
针对跨域时间序列预测中的时间模式复杂性与语义错位问题，提出“Unify and Anchor”迁移范式及基于Transformer的ContexTST模型，通过解耦频率成分和引入外部上下文锚点实现跨域泛化，显著提升了预测性能与零样本迁移能力。
2025-03-03 cs.LG
Context Neural Networks: A Scalable Multivariate Model for Time Series Forecasting
针对现有全局时间序列预测模型未考虑邻接序列状态、多变量模型复杂度高难以扩展的问题，提出线性复杂度的Context Neural Network，通过引入邻接序列实时信息增强预测，兼顾效果与大规模数据的计算可行性。
2024-05-12 cs.AI cs.LG
Recurrent Autoencoder with Skip Connections and Exogenous Variables for Traffic Forecasting
Polytechnic University of Catalonia（加泰罗尼亚理工大学）
移动性的日益复杂性加上城市人口的不断增长，以及共享车辆或任何设备数据时隐私的重要性，使得使用基础设施和公民数据的交通预测成为一项开放且具有挑战性的任务。在本文中，我们介绍了一种新的方法来处理预测的速度，体积和主要的交通方向，在一个新的聚合方式的交通数据作为视频。该方法利用帧序列的连续性及其动态性，学习预测低维空间中的变化区域，然后在重建原始空间时恢复静态特征。模型中还加入了天气、时间和日历等外生变量。此外，我们引入了一种新的序列采样方法，以确保在创建批次时的多样性，与优化过程并行运行。
2019-10-28 cs.LG stat.ML
Conformalized Adaptive Forecasting of Heterogeneous Trajectories
University of Southern California（南加州大学）
针对运动规划中异构轨迹行为不确定性难可靠估计的问题，提出融合多类共形预测与异方差处理技术的共形化自适应预测方法，可生成带有限样本保证的高信息量轨迹预测带。
2024-05-15 cs.LG stat.ML
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
Generalisation in fully-connected neural networks for time series forecasting
CWI Amsterdam, the Netherlands（荷兰阿姆斯特丹数学与计算机科学研究院）
在本文中，我们研究的推广能力的全连接神经网络训练的背景下，时间序列预测。时间序列不满足统计学习理论中关于数据独立同分布的典型假设。一些数据生成分布的样本。我们使用输入和权重Hessians，即学习函数相对于输入的平滑度和权重空间中最小值的宽度，来量化网络推广到未知数据的能力。虽然这样的泛化度量已经在i.i.d.例如图像识别的设置，在这里，我们凭经验验证它们在时间序列预测任务中的使用。此外，我们讨论了如何可以控制的泛化能力的网络的训练过程中使用的学习率，批量大小和训练迭代次数作为控制。使用这些超参数，可以有效地控制输出函数的复杂性，而无需施加显式约束。
2019-07-27 cs.LG stat.ML
Patch-wise Structural Loss for Time Series Forecasting
College of Intelligence and Computing, Tianjin University, China（智能与计算学院，天津大学，中国）
针对时间序列预测中逐点损失忽略结构依赖的问题，提出 Patch-wise 结构（PS）损失，通过在 patch 级别利用局部统计特性增强结构对齐，并与逐点损失无缝集成，显著提升了最先进模型在真实数据集上的性能。
2025-07-15 cs.LG
A Hype-Adjusted Probability Measure for NLP Stock Return Forecasting
Johns Hopkins University（约翰斯·霍普金斯大学）
本文针对美国半导体板块股票，提出含炒作调整概率测度的NLP预测方法，通过新情绪得分方程处理新闻偏差等问题并扩展概率测度变换工具应用，提升了股票收益与波动率预测准确性。
2025-02-07 cs.LG q-fin.CP
Hermes: A Multi-Scale Spatial-Temporal Hypergraph Network for Stock Time Series Forecasting
East China Normal University（东华师范大学）；CFETS Information Technology (Shanghai) Co., Ltd（CFETS信息技术（上海）有限公司）；Aalborg University（奥胡斯大学）
Hermes通过多尺度融合和动态时间聚合模块，有效捕捉行业间滞后关系和多尺度信息，提升股票时间序列预测精度。
2026-05-09 cs.LG
Fremer: Lightweight and Effective Frequency Transformer for Workload Forecasting in Cloud Services
ByteDance Inc.（字节跳动公司）；University of New South Wales（新南威尔士大学）
本文提出轻量高效的频率域Transformer模型Fremer，用于云服务工作负载预测，在精度和效率上超越SOTA模型，并在Kubernetes自动扩缩容中显著降低延迟和资源消耗。
2025-07-17 cs.LG
MFF-FTNet: Multi-scale Feature Fusion across Frequency and Temporal Domains for Time Series Forecasting
Heilongjiang University（黑龙江大学）；Hangzhou Institute of Technology, Xidian University（西安电子科技大学杭州研究院）
针对时间序列预测中噪声、稀疏性及多尺度模式捕捉难题，本文提出MFF-FTNet框架，结合对比学习与跨频时多尺度特征提取，通过自适应噪声增强、双对比模块及统一特征表示，在多数据集上显著提升预测性能。
2024-11-26 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
Sequence Complementor: Complementing Transformers For Time Series Forecasting with Learnable Sequences
Clemson University（克莱姆森大学）；Washington University in St. Louis（圣路易斯华盛顿大学）；Arizona State University（亚利桑那州立大学）；The University of Arizona（亚利桑那大学）
针对 Transformer 时间序列预测中的序列表示表达能力问题，提出带可学习 Sequence Complementor 的注意力机制与多样性损失，以补充输入信息并提升长短期预测性能。
2025-01-06 cs.LG
Delta-Based Target Reformulation for Short-Term Electricity Load Forecasting Using LSTM and Transformer Models
针对电力负荷非平稳性，提出Delta目标重构方法，让LSTM和Transformer预测负荷变化量而非绝对值，在小时级预测中MAE和MAPE降低超50%。
2026-06-17 cs.LG
SeqFusion: Sequential Fusion of Pre-Trained Models for Zero-Shot Time-Series Forecasting
Nanjing University（南京大学）
本文提出 SeqFusion 框架，通过基于目标时间序列的时间特征，从预训练模型池中按顺序选择最合适的模型进行预测并融合结果，在保护隐私的同时实现了高精度的零样本时间序列预测。
2025-03-04 cs.AI cs.LG
Addressing Cold Start in Recommender Systems with Hierarchical Graph Neural Networks
Skoltech（斯科尔科沃科学技术研究所）
推荐系统已经成为广泛行业中个性化用户体验的重要工具。引起研究人员和行业专家关注的一个重要问题是新产品的冷启动问题。在这项工作中，我们提出了一个图神经网络推荐系统使用项目层次图和定制的架构来处理冷启动的情况下，项目。在多个数据集和数百万用户和交互上的实验研究表明，我们的方法在计算时间相当的情况下，比最先进的方法实现了更好的预测质量。
2020-12-01 cs.LG stat.ML
Online Ensemble Transformer for Accurate Cloud Workload Forecasting in Predictive Auto-Scaling
ByteDance Inc.（字节跳动公司）
本文提出在线集成Transformer模型E3Former，通过协同多个子网络提升云工作负载预测精度与鲁棒性，在真实系统中将预测误差平均降低10%，并已部署于字节跳动IHPA平台，支撑超30个应用、60万以上CPU核心，资源利用率降低超40%。
2025-08-18 cs.LG
SACQ: Structured Decoding with Memory-Conditioned Refinement for Long-Horizon Forecasting
University of Science and Technology Beijing（北京科技大学）；Zhejiang University of Technology（浙江工业大学）；Institution of Artificial Intelligence, University of Science and Technology Beijing（北京科技大学人工智能研究院）
SACQ是一种插件式结构化预测头，通过两阶段解码流程和批量自适应缩放对数-cosh损失，在PatchTST等骨干网络上实现长时序预测的顶级性能，且对输入损坏和标签噪声的鲁棒性显著优于扁平化读出头。
2026-10-09 cs.LG
STRGCN: Capturing Asynchronous Spatio-Temporal Dependencies for Irregular Multivariate Time Series Forecasting
College of Computer Science, Nankai University（南开大学计算机科学学院）
STRGCN通过将不规则多元时间序列建模为全连接图并结合分层“三明治”结构，在不进行预对齐的情况下直接捕获异步时空依赖，在四个公开数据集上取得最先进精度与高效资源表现。
2025-05-07 cs.LG
Synergetic Learning of Heterogeneous Temporal Sequences for Multi-Horizon Probabilistic Forecasting
Shanghai Jiao Tong University（上海交通大学）
时间序列在交通、金融和医疗等应用中无处不在。时间序列经常受到外部因素的影响，特别是以异步事件的形式，使预测变得困难。然而，现有的模型主要是针对同步时间序列或异步事件序列，很难提供一种综合的方法来捕捉它们之间的关系。我们提出了变分协同多视野网络（VSMHN），一种新的深度条件生成模型。为了学习异构序列之间的复杂相关性，设计了一个量身定制的编码器，以结合深度点过程模型和变分递归神经网络的进展。此外，还设计了一种对齐时间编码和辅助转换方案，用于非对齐序列的批量训练。我们的模型可以有效地使用随机变分推理进行训练，并使用Monte-Carlo模拟生成概率预测。此外，我们的模型产生准确，尖锐和更现实的概率预测。我们还表明，建模异步事件序列是至关重要的多地平线的时间序列预测。
2021-01-31 cs.AI cs.LG stat.ML
ForecastGAN: A Decomposition-Based Adversarial Framework for Multi-Horizon Time Series Forecasting
Department of Mechanical, Automotive and Materials Engineering（机械、汽车和材料工程系）
本文提出ForecastGAN框架，通过分解模块、模型选择模块和条件生成对抗训练模块，有效融合数值与类别特征，在十一个多元时间序列数据集上实现短期预测优于Transformer模型且长期预测具有竞争力的效果。
2025-11-06 cs.LG stat.ML
Conformal Prediction for Time-series Forecasting with Change Points
Computer Science and Engineering University of California, San Diego（计算机科学与工程大学加州大学圣地亚哥分校）
本文提出了一种针对具有突变点的时间序列预测的新算法，通过整合状态预测模型与在线符合预测，提高了非平稳时间序列的不确定性建模能力。
2025-12-01 cs.AI 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
IdealTSF: Can Non-Ideal Data Contribute to Enhancing the Performance of Time Series Forecasting Models?
IdealTSF通过整合理想正负样本提升时间序列预测性能，利用非理想数据增强模型表现。
2025-12-16 cs.AI cs.LG
VarDrop: Enhancing Training Efficiency by Reducing Variate Redundancy in Periodic Time Series Forecasting
VarDrop通过减少周期时间序列预测中的变量子冗余，提升训练效率。该方法利用k-dominant频率哈希进行分组，并通过分层抽样选择代表性token，从而降低计算成本。
2026-04-07 cs.AI cs.LG
Performative Time-Series Forecasting
Georgia Institute of Technology（佐治亚理工学院）；University of Michigan（密歇根大学）
本文形式化表演性时间序列预测问题，提出利用延迟响应预测分布偏移的FPS方法，并在COVID-19和交通预测任务上验证其优于传统方法。
2025-06-02 cs.AI cs.LG
QuaCK-TSF: Quantum-Classical Kernelized Time Series Forecasting
Université de Sherbrooke（谢布鲁克大学）；Polytechnique Montréal（蒙特利尔理工学院）；Thales Digital Solutions（泰雷兹数字解决方案公司）；Institut Quantique（量子研究所）
本文提出QuaCK-TSF方法，结合高斯过程回归与量子模型核视角，利用Ising相互作用启发的量子特征图和无梯度贝叶斯优化，实现了具有竞争力的量子核化概率时间序列预测。
2024-08-21 cs.AI cs.LG stat.ML
Minimal Batch Adaptive Learning Policy Engine for Real-Time Mid-Price Forecasting in High-Frequency Trading
Business School, University of Edinburgh（爱丁堡大学商学院）
本文提出基于强化学习的自适应学习策略引擎ALPE，利用纳斯达克Level 1限价订单簿数据实现高频交易中的无批量即时中间价预测，并通过自适应epsilon衰减动态平衡探索与利用，在100只标普500股票上超越多种机器学习和深度学习模型。
2024-12-30 cs.LG q-fin.ST
TimeBridge: Non-Stationarity Matters for Long-term Time Series Forecasting
Shenzhen University（深圳大学）
针对多变量时间序列预测中非平稳性对短长期建模影响不同的问题，提出TimeBridge框架，通过积分注意力和协整注意力分别处理短长期非平稳性与依赖，在多类预测任务中达到SOTA。
2025-05-15 cs.LG stat.ML
FinBERT-BiLSTM: A Deep Learning Model for Predicting Volatile Cryptocurrency Market Prices Using Market Sentiment Dynamics
FinBERT-BiLSTM模型结合双向LSTM与FinBERT，利用市场情绪动态提升加密货币价格预测精度，为投资者提供更可靠的决策支持。
2024-11-02 cs.LG q-fin.TR
Conformal Prediction for Electricity Price Forecasting in the Day-Ahead and Real-Time Balancing Market
University College Cork（科克大学学院）；International Energy Research Centre（国际能源研究中心）；Tyndall National Institute（廷德尔国家研究所）；University of Edinburgh（爱丁堡大学）；SFI Insight Centre for Data Analytics（SFI数据洞察中心）
本文针对可再生能源并网带来的电价预测难题，提出结合分位数回归与时间序列保形预测的集成方法，在日前和平衡市场中实现更窄且覆盖更可靠的预测区间，并通过电池储能交易模拟验证其提升收益的实际价值。
2025-02-07 cs.AI cs.LG
FiLM: Frequency improved Legendre Memory Model for Long-term Time Series Forecasting
最近的研究表明，RNN和Transformers等深度学习模型为时间序列的长期预测带来了显著的性能提升，因为它们有效地利用了历史信息。然而，我们发现，在如何保留神经网络中的历史信息，同时避免对历史中存在的噪声过拟合方面，仍然有很大的改进空间。解决这个问题可以更好地利用深度学习模型的功能。为此，我们设计了一个\textbf{F}-\textbf{i}改进的\textbf{L} egendre \textbf{M}记忆模型，或{ \bf FILM}：它应用勒让德多项式投影来近似历史信息，使用傅立叶投影来去除噪声，并添加低秩近似来加速计算。我们的实证研究表明，所提出的薄膜显着提高了国家的最先进的模型在多变量和单变量长期预测的准确性（\textbf{20.3\%}，\textbf{22.6\%}），分别。我们还证明了在这项工作中开发的表示模块可以用作通用插件，以提高其他深度学习模块的长期预测性能。代码可在https://github.com/tianzhou2011/FiLM/上获得
2022-09-16 cs.LG stat.ML
Learning Informative Representation for Fairness-aware Multivariate Time-series Forecasting: A Group-based Perspective
Beijing Institute of Technology（北京理工大学）；Tongji University（同济大学）；University of Technology Sydney（悉尼科技大学）；Macquarie University（麦考瑞大学）
针对多变量时间序列预测中模型偏向优势变量导致的性能不公平问题，提出基于对抗学习的FairFor框架，通过生成组无关和组相关表示并利用正交性正则化，实现知识共享以保证公平性。
2023-10-23 cs.LG eess.SP
Probabilistic Forecasting of Day-Ahead Electricity Prices and their Volatility with LSTMs
Forschungszentrum Jülich（于利希研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Norwegian University of Life Sciences（挪威生命科学大学）
针对俄乌冲突后欧洲电价暴涨且波动剧烈的问题，提出一种基于LSTM的日前电价概率预测模型，通过联合预测均值与标准差实现概率输出，结合超统计学验证其可准确复现电价及波动率。
2023-10-05 cs.LG physics.data-an physics.soc-ph
A Decomposition Modeling Framework for Seasonal Time-Series Forecasting
Hebei Finance University（河北金融学院）；ZJU-UIUC Institute（浙江大学-伊利诺伊大学厄巴纳-香槟分校联合学院）
本文提出多尺度季节性分解模型（MSSD），通过分解时间序列为上升、峰值和下降成分，并整合Conv2d与TCN及多尺度重塑，在季节性预测中较基线降低10%误差。
2024-12-12 cs.AI cs.LG
Sim-MSTNet: sim2real based Multi-task SpatioTemporal Network Traffic Forecasting
Xinjiang Key Laboratory of Intelligent Computing and Smart Applications（新疆智能计算与智能应用重点实验室）；School of Software, Xinjiang University（新疆大学软件学院）；Department of Computer Science and Technology, Tongji University（同济大学计算机科学与技术系）；Bielefeld University of Applied Sciences and Arts（比勒菲尔德应用科学与艺术大学）
Sim-MSTNet通过sim2real方法结合合成数据生成和动态损失加权，提升多任务交通预测的准确性和泛化能力。
2026-01-29 cs.AI cs.LG
MAQ-CaF: A Modular Air Quality Calibration and Forecasting method for cross-sensitive pollutants
Information Technology University（信息技术大学）
气候挑战在全球范围内普遍上升，特别是在受影响最严重的欠发达国家。现在比以往任何时候都更需要以低成本部署精确测量和预测污染物。低成本的空气质量监测传感器容易出现错误测量、频繁停机和不确定的操作条件。这种情况要求采取谨慎的方法，以确保有效和灵活的校准计划。我们提出了MAQ-CaF，一种模块化的空气质量校准和预测方法，通过其基于模块化机器学习的设计，利用物联网框架的潜力，解决了不可靠性的挑战。它在本地和远程存储校准数据，并增加了未来预测的功能。我们专门设计的验证过程有助于在不影响准确性的情况下确定建议解决方案的适用性和灵活性。CO、SO2、NO2、O3、PM1.0、PM2.5和PM10的校准和监测具有合理的精度。这种尝试是通过适当的监测和通过负担得起的监测在更广泛的地理区域跟踪空气质量来应对气候变化全球挑战的一个步骤。
2021-04-22 cs.LG cs.SY eess.SY
