Causal Forecasting for Pricing
Zalando SE
针对定价场景下需求预测需建模价格-需求因果关系以支撑最优定价的问题,本文融合双重机器学习与transformer预测模型,在合成数据和真实数据实验中均展现出更优的因果效应估计与离策略预测性能。
2024-01-30 cs.LG stat.ML
Optimizing ARDL Models for Retail Sales Forecasting and Fair Pricing
The University of Winnipeg(温尼伯大学)
研究加拿大动态食品定价中消费者被剥削风险,提出将公平约束嵌入零售销售预测的方法,用ARDL模型结合线性规划和模拟退火解决定价问题,对比多种基准模型验证效果,构建出注重公平的定价框架。
2026-07-14 cs.CE cs.LG
Dynamic Quadtree Tokenization and Transformer for Adaptive Mesh PDE Forecasting
University of Michigan(密歇根大学)
提出WAMRViT,利用四叉树分词和3D旋转位置嵌入动态自适应网格,实现高效长时PDE预测,优于均匀网格基线。
2026-11-05 cs.CV cs.LG
A K-variate Time Series Is Worth K Words: Evolution of the Vanilla Transformer Architecture for Long-term Multivariate Time Series Forecasting
Shanghai Jiao Tong University(上海交通大学)
多变量时间序列预测(MTSF)是许多实际应用中的一个基本问题。近年来,Transformer已成为MTSF的事实上的解决方案,特别是对于长期的情况。然而,除了一个正向操作之外,现有MTSF Transformer架构中的基本配置几乎没有经过仔细验证。在这项研究中,我们指出,目前的令牌化策略在MTSF Transformer架构忽略了令牌的均匀性感应偏置的Transformers。因此,普通MTSF Transformer难以捕获时间序列中的细节,表现出较差的性能。基于这一观察,我们对普通MTSF Transformer的基本架构进行了一系列的改进。我们改变了有缺陷的标记化策略,以及解码器结构和嵌入。令人惊讶的是,进化的简单Transformer架构是高度有效的,其成功地避免了普通MTSF Transformer中的过平滑现象,实现了更详细和准确的预测,并且甚至显著优于为MTSF精心设计的最先进的Transformers。
2022-12-06 cs.LG
Applying Informer for Option Pricing: A Transformer-Based Approach
The Faculty of Electronics and Information Technology, Warsaw University of Technology(电子与信息技术学院,华沙技术大学)
本文研究将 Informer 神经网络应用于期权定价,利用其捕捉长期依赖和动态适应市场波动的能力,实验表明其预测精度优于 Black-Scholes 等传统方法,为数据驱动金融预测提供了更具适应性的框架。
2025-06-05 cs.AI cs.CE cs.LG
Real-Time Energy Pricing in New Zealand: An Evolving Stream Analysis
University of Waikato(怀卡托大学);Victoria University of Wellington(惠灵顿维多利亚大学);Télécom Paris(巴黎电信学院);IP Paris(巴黎理工学院)
本文引入了来自新西兰EMI网站的新颖能源价格实时流数据集,以解决流回归学习任务的数据稀缺问题,并通过广泛的回归、概念漂移检测等实验验证了其效用。
2024-08-29 cs.AI cs.LG
Liquid Neural Network Models for Natural Gas Spot Price Time-Series Forecasting
Department of Data Science, Columbia University(哥伦比亚大学数据科学系)
本文提出利用液体神经网络改进天然气现货价格短期预测,以应对市场波动和非平稳性挑战,提升能源交易和电力市场决策支持。
2026-04-24 cs.AI cs.LG
Leveraging Elastic Demand for Forecasting
Maplebear Inc. d/b/a Instacart(Maplebear公司(以Instacart名义经营))
需求差异可能导致计划供应与实际需求之间的不匹配。需求塑造策略,如定价,可以用来改变弹性需求,以减少不平衡。在这项工作中,我们建议在预测阶段考虑弹性需求。本文提出了一种方法来重新分配历史弹性需求,以减少方差,从而使预测和供应计划更有效。
2018-09-09 cs.LG stat.ML
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
Forecasting Time Series with LLMs via Patch-Based Prompting and Decomposition
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Adobe(Adobe公司);Dolby Labs(Dolby实验室);Intel(英特尔公司);University of Oregon(俄勒冈大学)
针对大语言模型时间序列预测需大量微调、易忽略序列相关性的问题,本研究提出PatchInstruct方法,结合时间序列分解、补丁分词与邻域增强的提示策略,在低预处理成本下提升预测精度。
2025-06-15 cs.AI cs.CL cs.LG
District Wise Price Forecasting of Wheat in Pakistan using Deep Learning
National University of Sciences and Technology(国立科技大学);Information Technology University (ITU)(信息技术大学(ITU))
小麦是巴基斯坦的主要农作物,是几乎每个巴基斯坦家庭的主食需求,使其成为该国的主要战略商品,其供应和负担能力是政府的主要优先事项。小麦粮食供应可能受到多种因素的极大影响,包括但不限于生产,消费,金融危机,通货膨胀或市场波动。政府通过特定的政策和监测安排确保粮食安全,保持穷人的购买平价。如果进行动态分析以根据某些当前因素估计未来产量,则可以使这种安排更加有效。未来商品定价的规划是通过预测其未来价格来实现的。本文提出了一种小麦价格预测方法,该方法使用过去几年小麦价格的价格,天气,生产和消费趋势,并借助先进的神经网络架构长短期记忆(LSTM)网络进行分析。与其他传统的机器学习和统计时间序列分析方法相比,所提出的方法提出了显着改善的结果。
2021-03-05 cs.AI cs.LG
LTSM-Bundle: A Toolbox and Benchmark on Large Language Models for Time Series Forecasting
LTSM-Bundle提出了一种用于时间序列预测的大型语言模型工具包和基准,通过模块化和多维度基准测试,结合最优设计选择,提升了零样本和少量样本性能。
2026-02-13 cs.AI cs.LG
FinTSBridge: A New Evaluation Suite for Real-world Financial Prediction with Advanced Time Series Models
Tsinghua University(清华大学);Peng Cheng Laboratory(鹏城实验室)
针对前沿时间序列预测模型与金融资产定价领域缺乏衔接的问题,研究构建了含三个金融数据集、十余种模型及新指标msIC、msIR的评估套件FinTSBridge,评估模型在金融任务中的性能与潜力,为相关研究提供参考。
2025-06-11 cs.LG q-fin.TR
Multi-task Learning for Financial Forecasting
金融预测是机器学习中具有挑战性和吸引力的研究课题。有许多经典的解决方案,以及许多基于深度学习的方法,提出来处理它,产生令人鼓舞的性能。股票时间序列预测是金融预测中最具代表性的问题。由于股票之间的联系很强,对预测有价值的信息不仅包含在单个股票中,而且包含在与之相关的股票中。然而,以往的研究大多集中在单一的股票上,容易忽略其他股票中有价值的信息。为了利用更多的信息,在本文中,我们提出了一种联合预测方法,同时处理多个时间序列的相关股票,使用多任务学习框架。与以往的工作相比,我们使用多个网络来预测多个相关的股票,通过多任务学习,同时使用它们的共享和私有信息。此外,我们提出了一个注意力方法学习的基础上资本资产定价模型(CAPM)的思想,以帮助预测的共享和私人信息的优化加权组合。各种数据的实验结果表明,改进的预测性能基线方法。
2019-01-22 cs.AI cs.LG stat.ML
LightGTS: A Lightweight General Time Series Forecasting Model
East China Normal University(华东师范大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
本文提出轻量级通用时间序列预测模型 LightGTS,通过周期分词与周期并行解码利用周期归纳偏置,在9个基准的zero-shot和full-shot设置中以更高效率达到SOTA。
2025-06-06 cs.LG
PLUME: Building a Network-Native Foundation Model for Wireless Traces via Protocol-Aware Tokenization
Cisco Systems(思科系统)
PLUME通过协议感知分词技术,为无线痕迹构建网络原生基础模型,实现更高效的序列生成与异常检测。
2026-03-13 cs.LG cs.NI
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
WAVE: Weighted Autoregressive Varying Gate for Time Series Forecasting
Georgia Institute of Technology(佐治亚理工学院)
WAVE通过整合ARMA结构提升时间序列预测性能,结合自回归和移动平均组件,实现更高效的长程和局部时间模式捕捉。
2026-02-05 cs.AI cs.LG stat.ML
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
Discovering EV Charging Site Archetypes Through Few Shot Forecasting: The First U.S.-Wide Study
Alpha Grid;University of Nebraska-Lincoln(内布拉斯加大学林肯分校)
针对现有电动汽车充电行为研究的局限,本研究提出整合聚类与小样本预测的框架,利用新型大规模数据集揭示站点原型,特定原型专家模型在未见过站点的需求预测中优于全局基线,为基础设施细分提供可操作见解。
2025-11-17 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
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
Guardrailed Elasticity Pricing: A Churn-Aware Forecasting Playbook for Subscription Strategy
Deepit Sapru
本文提出一个动态定价框架,结合多变量需求预测、分段价格弹性及 churn 预测,以优化收入和留存。通过季节性模型与树状学习器,解决受约束优化问题,提升 SaaS 产品组合的定价效果,同时保障客户体验与伦理约束。
2026-01-20 cs.AI cs.LG
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
SurF: A Generative Model for Multivariate Irregular Time Series Forecasting
Department of Computer Science(计算机科学系);University of Toronto(多伦多大学);Vector Institute(向量研究所)
SurF提出了一种生成模型,利用时间重标定定理将事件序列转换为独立同分布的单位速率指数噪声,支持跨异构事件流数据集训练,并在六个真实世界基准上取得最佳时间RMSE。
2026-09-10 cs.LG
Enhancing Irregular Time Series Forecasting with Continuous-Time Modeling Framework
针对非规则时间序列预测的现有方法缺陷,提出WrapFlow连续时间建模框架,通过连续时间分词与无模拟残差流匹配训练范式,在真实数据集上实现最优预测性能。
2026-07-31 cs.LG
Optimizing Stock Option Forecasting with the Assembly of Machine Learning Models and Improved Trading Strategies
University of Washington(华盛顿大学);University of Calgary(卡尔加里大学)
本文介绍了应用机器学习模型、改进的交易策略和拟可逆性方法优化股票期权预测和交易结果的关键方面。介绍了“拟可逆卷积神经网络在期权预测中的应用”研究的后续项目的研究成果。首先,该项目包括递归神经网络(RNN)和长短期记忆(LSTM)网络的应用,以提供一种预测股票期权趋势的新方法。此外,它还通过评估将多个ML模型组合在一起以改善预测结果和决策的实验方法来检查ML模型的依赖性。最后,给出了两种改进的交易策略和模拟投资结果。应用离散时间随机过程分析的二项资产定价模型和投资组合套期保值,提出了最优的投资预期。这些结果可以用于现实生活中的交易策略,以优化基于历史数据的股票期权投资结果。
2022-11-29 cs.LG q-fin.CP
Aurora: Towards Universal Generative Multimodal Time Series Forecasting
East China Normal University(东华师范大学)
Aurora通过多模态输入和零样本推理,提升跨领域时间序列预测的泛化能力。
2026-03-09 cs.LG
Integrating AI and Ensemble Forecasting: Explainable Materials Planning with Scorecards and Trend Insights for a Large-Scale Manufacturer
本研究提出一种整合AI与集成预测的售后需求预测监控架构,结合帕累托细分、多模型集成及LLM驱动的可解释分析,实现大型制造商跨多国多零部件的预测与库存决策闭环。
2025-10-01 cs.AI cs.LG
Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems
University of Washington(华盛顿大学);Pacific Northwest National Laboratory(太平洋西北国家实验室);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
时间序列预测仍然是几乎所有科学学科的核心挑战问题。我们介绍了一种新的负荷预测方法,其中观察到的动态建模为一个强迫的线性系统,使用动态模式分解(DMD)的时间延迟坐标。这种方法的核心是洞察电网负载,像复杂的现实世界系统上的许多可观测量一样,具有“几乎周期性”特征,即,由主峰打断的连续傅立叶频谱,其捕获规则的(例如,每天或每周)在动态中反复出现。所提出的预测方法利用了这一特性,通过(i)回归到确定性线性模型,其特征谱映射到这些峰值上,以及(ii)同时学习随机高斯过程回归(GPR)过程来驱动该系统。我们的预测算法进行比较,对国家的最先进的预测技术,不使用额外的解释变量,并显示出优越的性能。此外,它使用的线性内在动力学提供了一些可取的性能方面的可解释性和简约。结果提出了一个测试用例,使用负载数据从电网。负荷预测是电力系统工程中的一项重要挑战,对实时控制、定价、维护和安全决策具有重要意义。
2021-07-09 cs.LG physics.soc-ph
$\textbf{S}^2$IP-LLM: Semantic Space Informed Prompt Learning with LLM for Time Series Forecasting
School of Computing, University of Connecticut(康涅狄格大学计算机学院);Morgan Stanley(摩根士丹利)
本文提出$S^2$IP-LLM,通过跨模态分词、语义锚点对齐与提示检索,将LLM预训练语义空间用于时间序列预测,并在多个基准上验证其优于现有方法。
2024-07-07 cs.LG
GCA-BULF: A Bottom-Up Framework for Short-Term Load Forecasting Using Grouped Critical Appliances
University of Science and Technology of China(中国科学技术大学)
本文提出GCA-BULF框架,通过分组关键电器提升短时负荷预测精度,实验表明其在住宅和办公建筑负荷预测中优于传统自上而下和自下而上方法。
2026-04-04 cs.AI cs.LG eess.SP
TSGym: Design Choices for Deep Multivariate Time-Series Forecasting
AI Lab, Shanghai University of Finance and Economics(上海财经大学金融学院人工智能实验室);Ant Group(蚂蚁集团);MoE Key Laboratory of Interdisciplinary Research of Computation and Economics(计算与经济学交叉学科关键实验室)
TSGym通过细粒度组件选择与自动化模型构建,系统分解深度多元时间序列预测方法,提升模型迁移性与分布偏移鲁棒性,并在实验中显著超越现有MTSF和AutoML方法。
2025-09-21 cs.LG
Time-Aware Prior Fitted Networks for Zero-Shot Forecasting with Exogenous Variables
Amazon(亚马逊);New York University(纽约大学)
本文提出ApolloPFN,一种时间感知的先验拟合网络,能够原生整合外生变量,通过合成数据生成和时间感知架构改进,实现更准确的预测。
2026-07-21 cs.LG
Bi-Mamba+: Bidirectional Mamba for Time Series Forecasting
Beijing University of Posts and Telecommunications(北京邮电大学);China Telecom Research Institute(中国电信研究院);China Telecom Corporation Intelligent Cloud Network Operation Center(中国电信智能云网运营中心)
针对长期时间序列预测中依赖捕获难和语义稀疏问题,提出双向Mamba+模型,通过引入遗忘门增强历史信息保留,并设计序列关系感知决策器自适应选择标记化策略,在8个数据集上取得更优预测精度。
2024-06-27 cs.LG
Small Vocabularies, Big Gains: Pretraining and Tokenization in Time Series Models
本文针对时间序列预测基础模型,系统研究分词器设计与预训练的影响,发现小词表搭配预训练权重优势显著,为相关设计提供了实操指导。
2025-11-06 cs.AI cs.CL cs.LG
UniTS: A Unified Multi-Task Time Series Model
Harvard University(哈佛大学);MIT Lincoln Laboratory(麻省理工学院林肯实验室);University of Virginia(弗吉尼亚大学)
针对不同时间序列任务最佳架构差异大、统一预测与生成任务难的问题,提出UniTS模型,通过任务标记化和改进Transformer块统一多任务,在38个数据集上优于多类专用模型,还具少样本能力。
2024-11-25 cs.AI cs.LG
Predicting the Skies: A Novel Model for Flight-Level Passenger Traffic Forecasting
University of Arizona(亚利桑那大学);American Airlines(美国航空公司)
本研究提出一种整合RNN和CNN的多模态深度学习模型,通过构建3D张量等数据处理策略预测航班层级客流量,相比传统基准在MSE上提升约33%。
2024-01-09 cs.AI cs.LG stat.AP
TOTEM: TOkenized Time Series EMbeddings for General Time Series Analysis
California Institute of Technology(加州理工学院)
本文提出TOTEM,通过自监督离散令牌化时间序列数据,构建跨多领域、多任务的通才时间序列模型,并在插补、异常检测和预测任务上以极少微调达到或超越现有最先进模型。
2025-01-01 cs.LG
An investigation into machine learning approaches for forecasting spatio-temporal demand in ride-hailing service
University of Liège(列日大学);Polytechnique Montréal(蒙特利尔理工学院)
在本文中,我们提出了机器学习方法来表征和预测按需叫车服务的短期需求。我们提出的时空估计的需求是一个函数的变量影响相关的交通,定价和天气条件。关于该方法,单个决策树、引导聚合(袋装)决策树、随机森林、提升决策树和用于回归的人工神经网络已被调整,并使用各种统计数据(例如,R平方、均方根误差(RMSE)和斜率)进行系统比较。为了更好地评估模型的质量,我们使用中国主要的按需叫车服务提供商滴滴出行的数据对模型进行了真实案例研究。在当前的研究中,已经提取了199,584个描述时空乘车需求的时隙,聚合时间间隔为10分钟。所有的方法都是基于来自该数据集的两个独立样本进行训练和验证的。结果表明,提升决策树提供了最好的预测精度(RMSE=16.41),同时避免了过拟合的风险,其次是人工神经网络(20.09),随机森林(23.50),袋装决策树(24.29)和单一决策树(33.55)。
2017-03-07 cs.LG stat.ML
Is Your LLM Overcharging You? Tokenization, Transparency, and Incentives
Ander Artola Velasco(1. 阿德纳·阿尔托拉·韦拉斯科);Stratis Tsirtsis(2. 斯特拉蒂斯·蒂尔蒂斯);Nastaran Okati(3. 纳斯塔兰·奥卡蒂)
研究当前按token计费机制下,服务提供商可能通过策略性报告token数量来过度收费,并提出按字符线性定价的激励相容机制以消除该财务激励。
2026-05-28 cs.AI cs.CY cs.GT
Improving S&P 500 Volatility Forecasting through Regime-Switching Methods
本研究针对标普500指数波动率预测问题,提出多种区制转换方法捕捉市场结构变化,基于11年SPX数据验证发现基于系数的聚类算法在疫情前后各阶段及不同预测周期下均优于基准模型,证明区制感知框架的有效性。
2025-09-21 cs.LG econ.EM q-fin.ST
Revenue Management without Demand Forecasting: A Data-Driven Approach for Bid Price Generation
PROS Inc(PROS公司)
本文提出一种仅用历史预订数据生成投标价格的数据驱动收益管理方法,通过事后贪心启发式与神经网络预测边际机会成本,仿真显示其收入差距小于1%,且在需求误设下比动态规划更稳健。
2023-04-14 cs.LG
Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting
Swiss Data Science Center (SDSC), ETH Zurich & EPFL(瑞士数据科学中心(SDSC)、苏黎世联邦理工学院与洛桑联邦理工学院);ETH AI Center, ETH Zurich(苏黎世联邦理工学院人工智能中心);Federal Office for Meteorology and Climatology MeteoSwiss(联邦气象与气候办公室MeteoSwiss);Institute of Geodesy and Photogrammetry, ETH Zurich(苏黎世联邦理工学院测绘与摄影测量研究所);Computational and Applied Mathematics Laboratory, ETH Zurich(苏黎世联邦理工学院计算与应用数学实验室);Institute for Atmospheric and Climate Science (IAC), ETH Zurich(大气与气候科学研究所(IAC)、苏黎世联邦理工学院);Scalable Parallel Computing Lab, ETH Zurich(可扩展并行计算实验室、苏黎世联邦理工学院);Dep. of Applied Mathematics and Theoretical Physics, University of Cambridge(应用数学与理论物理系、剑桥大学)
本文提出ESFM,一个基于3D Swin UNet的开放模型,通过扩展编码方案和轴向注意力机制,实现对多源异质数据的整合与预测,提升气候科学应用性能。
2026-04-20 cs.AI cs.LG eess.IV
Forecasting Medium-Horizon Alzheimer's Disease Progression: Residual Gap-Aware Transformers for 24-Month CDR-SB Change from ADNI Clinical and Biomarker Histories
Department of Mathematical Sciences, University of Texas at Dallas(德克萨斯大学达拉斯分校数学科学系);Department of Plant Science and Landscape Architecture, University of Connecticut(康奈尔大学植物科学与景观建筑系);Naveen Jindal School of Management, University of Texas at Dallas(德克萨斯大学达拉斯分校纳文·金达管理学院);Zhejiang Provincial People’s Hospital(浙江省人民医院)
本文提出残差间隙感知变换器,结合混合效应统计参考与变换器残差学习,用于预测24个月CDR-SB变化,提升了预测精度和相关性。
2026-05-04 cs.LG stat.AP stat.ML
GARCH-Informed Neural Networks for Volatility Prediction in Financial Markets
Lund University(隆德大学)
本研究受PINN启发,提出融合GARCH模型优势与LSTM深度神经网络灵活性的新型混合模型GINN,用于金融市场波动率预测,在多项指标上的样本外预测性能优于其他时间序列模型。
2024-09-30 cs.LG q-fin.CP
One-Shot Price Forecasting with Covariate-Guided Experts under Privacy Constraints
Tsinghua University(清华大学);Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院);Ltd.(有限公司);Guangdong Power Grid Co.(广东电网公司);University of Canterbury(坎特伯雷大学);Department of Electrical(电气工程系);Department of Electrical Engineering(电气工程系)
本文提出MoE编码器模块,通过引入稀疏混合专家层,提升电力系统中多变量预测的准确性和隐私保护能力。
2026-01-17 cs.AI cs.LG
ProbSAINT: Probabilistic Tabular Regression for Used Car Pricing
University Of Hildesheim(希尔德斯海姆大学);Volkswagen Financial Services AG(大众金融服务股份公司)
本文提出 ProbSAINT 概率表格回归模型,在二手车价格点预测上媲美先进 boosting 方法,并支持不确定性量化与按挂牌时长进行动态价格概率预测。
2024-03-06 cs.AI cs.LG
A machine learning approach to itinerary-level booking prediction in competitive airline markets
需求预测在收益管理中非常重要。毕竟,它是优化方法的输入之一,其目标是最大化收入。大多数(如果不是全部的话)预测方法使用历史数据来预测未来,而不考虑“为什么”。在本文中,我们结合了来自多信源的数据,包括竞争对手数据、定价、社交媒体、安全和航空公司评论。接下来,我们研究了五个竞争对手的价格变动,我们假设,影响客户的行为时,提出了一套行程。使用真实的航空公司数据为10个不同的OD对和极端梯度提升的手段,我们表明,客户行为可以分为价格敏感,时间表敏感和舒适的OD。通过模拟研究,我们表明,该模型产生的预测,导致更高的收入比传统的,时间序列预测。
2021-03-15 cs.LG math.OC
Prediction-based One-shot Dynamic Parking Pricing
Yonsei University(延世大学);University of California San Diego(加州大学圣地亚哥分校)
美国许多大城市因停车位严重短缺而臭名昭著。为此,我们提出了一个主动预测驱动的优化框架,以动态调整停车价格。我们使用最先进的深度学习技术,如神经常微分方程(NODE),在给定历史占用率和价格信息的情况下,设计未来停车场占用率预测模型。此外,由于NODE的连续和双射特性,我们设计了一种一次性价格优化方法,该方法只需要一次迭代即可找到最优解。换句话说,我们优化了预训练预测模型的价格输入,以实现停车场的目标占用率。我们用在旧金山和西雅图收集的数据进行了多年的实验。我们的预测模型与各种时间或时空预测模型相比,显示出最好的准确性。我们的一次性优化方法在搜索时间方面大大优于其他黑盒和白盒搜索方法,并且总是返回最优价格解决方案。
2022-08-30 cs.AI cs.LG math.OC
Neural Network Learning of Black-Scholes Equation for Option Pricing
Federal Institute of Education, Science and Tecnology(联邦教育、科学和技术学院);Federal Rural University of Pernambuco(伯南布哥联邦农村大学)
本文提出用神经网络结合真实市场边界数据求解 Black-Scholes 方程,并在 Petrobras 与 Vale 看涨期权序列上验证了其短期定价预测优于传统解析解。
2024-05-09 cs.LG q-fin.CP q-fin.PR
Kairos: Toward Adaptive and Parameter-Efficient Time Series Foundation Models
School of Information Science and Technology, ShanghaiTech University(信息科学与技术学院,上海科技大学);Ant Group(蚂蚁集团)
Kairos通过动态分块分词器和混合大小编码实现时间序列基础模型的适应性与参数效率,提升零样本泛化能力。
2026-09-29 cs.LG
AsyncCouple-Flow: Asynchronous Cross-Modal Coupling and Flow Matching for Spatio-Temporal Forecasting
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);Emory University(埃默里大学);University of California, Berkeley(加州大学伯克利分校);Yale University(耶鲁大学);Stevens Institute of Technology(史蒂文斯理工学院);City University of New York(纽约城市大学)
针对多模态时空预测中采样率不同、模态缺失和自回归误差累积问题,提出AsyncCouple-Flow,结合令牌稀疏化、异步耦合图和流匹配,在天气和交通基准上优于现有方法。
2026-09-16 cs.LG
QueryMarket: Cost-Aware Online Active Learning in Data Markets
Dyson School of Design Engineering, Imperial College London(帝国理工学院戴森设计工程学院);Halfspace (part of Accenture)(埃森哲旗下Halfspace);Technical University of Denmark (DTU Management)(丹麦技术大学(DTU管理系));Aarhus University (CoRE)(奥胡斯大学(CoRE))
提出QueryMarket框架和OVBAL算法,通过D-最优性准则估计边际效用,在滚动预算约束下实现成本感知的在线主动学习,适应非平稳流和异构标签成本。
2026-06-17 cs.LG