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
Evaluating the Sensitivity of BiLSTM Forecasting Models to Sequence Length and Input Noise
King Fahd University of Petroleum \& Minerals, Department of Information;Computer Science, Dhahran, Saudi Arabia Imam Abdulrahman Bin Faisal University, Department of Computer Science SDAIA-KFUPM Joint Research Center for Artificial Intelligence, Dhahran, Saudi Arabia
本研究评估了BiLSTM模型在不同序列长度和输入噪声下的敏感性,揭示了过拟合、数据泄漏和模型稳定性下降的问题,强调了数据感知设计的重要性。
2025-12-07 cs.AI cs.LG
Evaluating the effectiveness of predicting covariates in LSTM Networks for Time Series Forecasting
Neural Aspect(神经方面)
本研究评估了在 LSTM 网络中联合预测协变量与目标变量的有效性,提出一种结合季节性时间片段与 RNN 的新方法,发现多变量预测常劣于单变量基线,表明 LSTM 不适合期望通过预测协变量提升精度的任务。
2024-04-29 cs.AI cs.LG
Evaluating Short-Term Forecasting of Multiple Time Series in IoT Environments
Foundation for Research and Technology-Hellas(希腊基础研究与技术基金会);Technical University of Crete(克里特理工大学)
现代物联网(IoT)环境通过大量启用IoT的感测设备来监测,其中数据采集和处理基础设施在计算能力和能源方面设置限制。为了缓解这个问题,传感器通常被配置为以相对较低的采样频率操作,从而产生减少的观测集合。然而,这可能会严重阻碍随后的决策,例如预测。为了解决这个问题,在这项工作中,我们评估短期预测高度欠定的情况下,即,传感器流的数量远高于观测的数量。几个统计,机器学习和神经网络为基础的模型进行了彻底检查,在五个不同的现实世界的数据集上得到的预测精度。重点是专门为物联网边缘的多个时间序列的短期预测而设计的统一实验协议。所提出的框架可以被认为是在资源受限的物联网应用中建立可靠预测策略的重要一步。
2022-09-02 cs.LG eess.SP
Automating Forecasting Question Generation and Resolution for AI Evaluation
FutureSearch(未来搜索)
本文提出利用LLM驱动的网络研究代理自动化生成和解答预测问题,生成1499个多样化问题并实现96%的准确率,提升预测性能。
2026-03-09 cs.AI cs.LG
Evaluating System 1 vs. 2 Reasoning Approaches for Zero-Shot Time Series Forecasting: A Benchmark and Insights
Georgia Institute of Technology(佐治亚理工学院)
本文提出 ReC4TS 基准,系统评估零样本时间序列预测中的系统1与系统2推理策略,并给出有效策略、多模态收益及 TimeThinking 数据集与测试时 scaling-law。
2025-03-14 cs.AI cs.LG
Foundation vs. Specialized Models: Evaluating Catastrophic Forgetting in Continual Time Series Forecasting
Univ. Rennes, CNRS, Inria, IRISA - UMR 6074(雷恩大学, 法国国家科学研究中心, 法国国家信息与自动化研究所, 法国信息与系统研究实验室 - UMR 6074);Univ. Grenoble Alpes, Univ. Savoie Mont Blanc, CNRS, LPNC(格勒诺布尔-阿尔卑斯大学, 萨瓦大学, 法国国家科学研究中心, 认知心理学与神经心理学实验室);Univ. Grenoble Alpes, CEA, LIST(格勒诺布尔-阿尔卑斯大学, 法国原子能委员会, 信息与系统技术实验室)
研究时间序列基础模型在持续微调中的灾难性遗忘,发现微调提升新任务精度但触发遗忘,而遗忘缓解技术可缩小大小模型性能差距。
2026-06-29 cs.LG
EmissionNet: Air Quality Pollution Forecasting for Agriculture
Stanford University(斯坦福大学)
针对农业排放空气污染预测难题,研究评估主流预测架构,提出EmissionNet(ENV)和EmissionNet-Transformer(ENT)两种新型深度学习架构,可从高分辨率排放数据提取时空依赖,用于N₂O农业排放预测。
2025-08-01 cs.AI cs.LG
Evaluating time series forecasting models: An empirical study on performance estimation methods
LIAAD-INESC TEC;University of Porto(波尔图大学);Dalhousie University(达尔豪斯大学);Jožef Stefan Institute(约热夫·斯特凡研究所)
性能估计的目的是估计预测模型在看不见的数据上会产生的损失。这些程序是每个机器学习项目中管道的一部分,用于评估预测模型的整体泛化能力。在本文中,我们解决了这些方法的时间序列预测任务的应用。对于独立同分布的数据,最常用的方法是交叉验证。然而,时间序列中的观测之间的依赖性提出了一些关于估计这类数据性能的最适当方法的警告,目前还没有确定的方法。我们使用两个案例研究比较了交叉验证和样本外方法的不同变体:一个是62个真实世界的时间序列,另一个是三个合成时间序列。结果表明,在两种情况下的性能估计方法的显着差异。特别是,实证实验表明,交叉验证方法可以应用于平稳的时间序列。然而,在现实世界的情况下,当不同来源的非平稳变化在发挥作用时,最准确的估计是由样本外的方法,保持观察的时间顺序。
2019-05-28 cs.LG stat.ML
Forecasting with Deep Learning: Beyond Average of Average of Average Performance
Faculdade de Engenharia da Universidade do Porto(波尔图大学工程学院);Laboratory for Artificial Intelligence and Computer Science (LIACC)(人工智能与计算机科学实验室(LIACC));Fraunhofer Portugal AICOS(弗劳恩霍夫葡萄牙AICOS)
本研究针对现有预测模型评估仅用单一平均分数的局限,提出多视角评估单变量时间序列预测模型的框架,通过实验发现NHITS的性能优势随预测条件变化,证明了分维度评估的重要性。
2024-06-24 cs.LG stat.ML
LEAF: A Living Benchmark for Event-Augmented Forecasting
Google(谷歌);University of Virginia(弗吉尼亚大学)
本文提出LEAF,首个用于事件增强预测的活体基准,通过递归检索代理系统和双代理交叉验证,提供全面相关文本辅助预测,评估LLM在复杂真实场景中的预测能力。
2026-10-05 cs.AI cs.LG
Evaluating COVID 19 Feature Contributions to Bitcoin Return Forecasting: Methodology Based on LightGBM and Genetic Optimization
University of Mannouba(马努巴大学);Petrozavodsk State University(彼得罗扎沃茨克国立大学)
本研究提出结合LightGBM与遗传算法的框架,验证COVID-19指标可显著提升比特币收益预测精度,其中疫苗接种指标贡献最大,为危机时期的金融决策提供新工具。
2025-07-31 cs.AI cs.LG econ.GN
Counterfactual Explanation for Multivariate Time Series Forecasting with Exogenous Variables
Faculty of Business(商学部);Kyoritsu Women’s University(京都女子大学)
本研究提出了一种基于外生变量的时间序列预测反事实解释方法,通过分析变量影响并生成高质量的反事实解释,提升模型可解释性与实际应用价值。
2025-11-28 cs.AI cs.LG
XXLTraffic: Expanding and Extremely Long Traffic forecasting beyond test adaptation
University of New South Wales(新南威尔士大学)
XXLTraffic是一个大规模交通数据集,用于支持超越测试适应的极长交通预测研究。
2025-12-02 cs.AI cs.LG
Time-Series Classification for Dynamic Strategies in Multi-Step Forecasting
School of Computer Science(计算机科学学院);University of Bristol(布里斯托尔大学);School of Engineering Mathematics(工程数学学院)
针对多步预测中固定策略非最优的问题,提出基于实例级方差动态选择策略的DyStrat方法,在10个数据集上显著优于最佳固定策略,均方误差平均降低11%,top-1准确率提升三倍,且泛化性良好。
2024-02-13 cs.AI cs.LG
Are Self-Attentions Effective for Time Series Forecasting?
Seoul National University(首尔大学);Chung-Ang University(中央大学)
本文质疑自注意力在时间序列预测中的有效性,提出仅用交叉注意力的CATS架构,通过消除自注意力并引入未来视界依赖查询与参数共享,在减少参数和内存的同时提升了长期预测精度。
2024-12-23 cs.AI cs.LG
Dr-CiK: A Benchmark testing Deep Research for Context-Aided Forecasting
McGill University(麦吉尔大学);ServiceNow Research(ServiceNow研究院);Mila -- Quebec AI Institute(蒙特利尔AI研究院);University of British Columbia(不列颠哥伦比亚大学)
针对现有上下文辅助预测基准假设上下文已提供的问题,提出Dr-CiK基准,评估智能体从文档语料库中检索、过滤、提炼预测相关上下文并生成预测的能力,实验表明高质量上下文显著提升预测性能,但现有深度研究智能体恢复证据不足5%、易受干扰误导。
2026-10-06 cs.AI cs.LG
Time Series Network Utilization KPI Forecasting Using Advanced AI/ML Models
研究针对数据密集型应用等导致的网络性能问题,通过评估季节性分解等多种模型,利用通用接口数据集在MAPE等指标上进行基准测试,给出模型准确性与计算效率权衡的见解,助相关人员选最佳预测模型。
2026-07-23 cs.AI cs.LG
OpenFinGym: A Verifiable Multi-Task Gym Environment for Evaluating Quant Agents
University of Edinburgh(爱丁堡大学);University College London(伦敦大学学院);Alan Turing Institute(艾伦·图灵研究所);University of Oxford(牛津大学)
提出OpenFinGym统一环境,覆盖预测、市场生成、实时交易和欺诈检测等量化金融任务,支持自动化任务构建、容器化验证和延迟解析,以全面评估LLM智能体。
2026-11-03 cs.AI cs.LG
Can time series forecasting be automated? A benchmark and analysis
Technical University of Eindhoven(埃因霍温理工大学)
针对时间序列预测方法选择困难的问题,提出综合基准评估AutoGluon-Timeseries和sktime框架,揭示其适用性并促进最优预测方法选择。
2024-07-25 cs.LG
ModelRadar: Aspect-based Forecast Evaluation
Faculty of Engineering University of Porto(波尔图大学工程学院);Laboratory for Artificial Intelligence and Computer Science (LIACC)(人工智能与计算机科学实验室(LIACC));Fraunhofer Portugal AICOS(弗劳恩霍夫葡萄牙AICOS机构)
针对单一指标平均掩盖时间序列模型性能变化的问题,提出ModelRadar框架,从多方面评估24种预测方法,发现不同模型在异常和预测期等条件下的表现差异。
2025-03-31 cs.LG stat.ML
A Comparative Study of Pruning Methods in Transformer-based Time Series Forecasting
Scientific Computing Center, Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院科学计算中心);Helmholtz AI(亥姆霍兹人工智能)
本研究对基于Transformer的时间序列预测模型进行非结构化与结构化剪枝的比较基准测试,发现某些模型在高稀疏度下性能更优,但需微调,且结构化剪枝难以显著节省时间。
2024-12-17 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
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
MTSMAE: Masked Autoencoders for Multivariate Time-Series Forecasting
University of Science and Technology of China(中国科学技术大学);Institute of Advanced Technology, University of Science and Technology of China(中国科学技术大学先进技术研究院);Jiaxing University(嘉兴学院)
大规模自监督预训练Transformer架构显著提升了自然语言处理(NLP)和计算机视觉(CV)中各种任务的性能。然而,利用预训练好的Transformer处理多变量时间序列的研究还比较缺乏,尤其是针对自监督学习的时间序列掩蔽问题的研究更是空白。与语言和图像处理不同,时间序列的信息密度增加了研究的难度。挑战进一步与无效的先前补丁嵌入和掩模方法。本文针对多元时间序列的数据特点,提出了一种补丁嵌入方法,并提出了一种基于掩码自编码器(MAE)的自监督预训练方法MTSMAE,该方法与无需预训练的监督学习相比,可以显著提高学习性能。在不同领域、不同特征的多变量时间序列数据集上的实验结果表明,该方法的性能明显优于目前最好的方法。
2022-10-04 cs.AI cs.LG
GCGNet: Graph-Consistent Generative Network for Time Series Forecasting with Exogenous Variables
East China Normal University(华东师范大学)
GCGNet通过图结构对齐和图细化方法,提升时间序列预测中外生变量与内生变量的联合相关性建模能力,实验证明其在12个真实数据集上优于现有方法。
2026-05-01 cs.AI cs.LG
Macroeconomic Forecasting with Large Language Models
School of Economics and Finance, Queen Mary University of London(伦敦大学女王学院经济与金融学院);School of Business and Economics, Brandeis University(布兰迪大学商学院与经济学学院)
本文以FRED-MD数据库为基础,对比评估大型语言模型与传统宏观时间序列预测方法的准确性,明确了LLMs在宏观经济预测中的优劣势及现实适用性。
2026-08-18 cs.CL cs.LG econ.EM
Scaling Transformers for Time Series Forecasting: Do Pretrained Large Models Outperform Small-Scale Alternatives?
Department of Computer and Information Science (IDA), REAL, AIICS, Linköping University, Sweden(计算机与信息科学系(IDA)、REAL、AIICS、利厄普大学,瑞典)
本文实证比较预训练大规模时间序列模型(如Moirai、TimeGPT)与传统小规模Transformer在多个基准上的表现,揭示预训练模型的优势与局限及其适用场景。
2025-06-24 cs.LG
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
Multi-Objective Model Selection for Time Series Forecasting
Technical University of Munich(慕尼黑工业大学);AWS AI Labs(AWS人工智能实验室);Amazon Web Services(亚马逊云科技);Zalando Research(Zalando研究院)
时间序列预测的研究主要集中在开发提高准确性的方法。然而,其他标准,如训练时间或延迟,在许多现实世界的应用程序中是至关重要的。因此,我们解决的问题,如何选择一个合适的预测模型,为一个给定的数据集之间的过多的可用的预测方法时,准确性只是许多标准之一。为此,我们的贡献是双重的。首先,我们提出了一个全面的基准测试,在44个异构的公开数据集上评估了7种经典和6种深度学习预测方法。基准代码是开源的,所有方法的评估和预测都是开源的。这些评估使我们能够回答一些悬而未决的问题,例如深度学习模型要优于经典模型所需的数据量。其次,我们利用基准评估来学习考虑多个目标(如准确性和延迟)的良好默认值。通过学习从预测模型到性能指标的映射,我们证明了我们的方法PARETOSELECT能够准确地从帕累托前沿选择模型-减轻了训练或评估许多预测模型的需要。据我们所知,PARETOSELECT构成了在多目标设置中学习默认模型的第一种方法。
2022-02-17 cs.LG
TimeRFT: Stimulating Generalizable Time Series Forecasting for TSFMs via Reinforcement Finetuning
University of Alberta(阿尔伯塔大学);Alibaba Cloud(阿里云);City University of Hong Kong(香港城市大学)
TimeRFT通过强化微调方法解决时间序列基础模型在特定任务适应中的泛化问题,提升预测精度和抗分布偏移能力。
2026-08-03 cs.AI cs.CV cs.LG
Forecasting Transportation Network Speed Using Deep Capsule Networks with Nested LSTM Models
Beihang University(北京航空航天大学);University of Washington(华盛顿大学)
对复杂交通网络进行准确可靠的交通量预测,对现代交通管理具有重要意义。道路连接的复杂空间依赖性和交通状态的动态时间模式使其特别具有挑战性。为了应对这些挑战,我们提出了一种新的胶囊网络(CapsNet)来提取交通网络的空间特征,并利用嵌套LSTM(NLSTM)结构来捕获交通序列数据中的分层时间依赖关系。通过依次连接CapsNet和NLSTM,提出了一个网络级流量预测框架。在文献综述的基础上,本文首次将CapsNet和NLSTM应用于交通预测领域。在北京市278个路段的交通网络上进行的实验表明,该框架具有捕获复杂时空交通模式的能力,优于多种最先进的交通预测基线模型。通过对实验结果的可视化和定量评价,分别论证了CapsNet和NLSTM的优越性和可行性。
2018-11-01 cs.LG stat.ML
Deep Learning for Time Series Forecasting: The Electric Load Case
Università della Svizzera Italiana(瑞士意大利语区大学);Politecnico di Milano(米兰理工大学)
智能电网等关键基础设施的管理和高效运营利用了准确的电力负荷预测,由于其非线性性质,这仍然是一项具有挑战性的任务。最近,机器学习领域出现了深度学习,在从图像分类到机器翻译的各种任务中取得了令人印象深刻的性能。深度学习模型在电力负荷预测问题中的应用越来越受到研究人员和行业的关注,但文献中还没有对不同架构进行全面和合理的比较。这项工作旨在通过回顾和实验评估两个真实世界的数据集上的电力负荷预测的最新趋势,通过对比短期预测(提前一天预测)的深度学习架构来填补空白。具体来说,我们专注于前馈和递归神经网络,序列到序列模型和时间卷积神经网络以及架构变体,这是已知的信号处理社区,但新的负荷预测之一。
2019-07-22 cs.LG stat.ML
The impact of data set similarity and diversity on transfer learning success in time series forecasting
Fraunhofer Institute for Integrated Circuits IIS(弗劳恩霍夫集成电路研究所);Fraunhofer Center for Applied Research on Supply Chain Services SCS(弗劳恩霍夫供应链服务应用研究中心);Christian-Albrechts-Universität zu Kiel(基尔基督教阿尔布雷希特大学);Otto-Friedrich-Universität Bamberg(班贝格奥托-弗里德里希大学);Vives University of Applied Science(维维斯应用科技大学);University of Haute-Alsace(上阿尔萨斯大学);Monash University(莫纳什大学)
本文系统研究了源-目标相似性与源多样性对时间序列迁移学习的影响,发现相似性降低偏差,多样性提升准确性与不确定性估计但增加偏差。
2024-07-05 cs.LG
Forecasting Intraday USD/CAD Exchange Rate with News-Derived Monetary-Policy Signals
本文提出统计归因方法,利用大语言模型将货币政策新闻转化为结构化信号,通过滚动窗口实验证明沟通时机等维度对日内美元/加元汇率具有可测量的预测价值,且归因分析优于仅关注整体准确性。
2026-09-29 cs.AI cs.LG q-fin.CP
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
Exogenous Data in Forecasting: FARM -- A New Measure for Relevance Evaluation
Lucerne University of Applied Sciences and Arts(卢塞恩应用科学与艺术大学);University of Fribourg(弗里堡大学)
本文提出 FARM 前向对齐相关性度量,通过角度度量结合局部与全局信息评估外生时间序列相关性,并在合成信号上验证其优势与局限。
2023-04-24 cs.AI cs.LG eess.SP
Latent-Regime Bias Auditing for Volatility Forecasting
本文提出模型无关的潜在制度偏差审计框架,用于评估波动率预测在不同市场制度下的可靠性,发现聚合准确率高的模型仍存在制度特定偏差和尾部预测不足,为波动率预测评估提供新方向。
2026-08-04 cs.LG
Transformers predicting the future. Applying attention in next-frame and time series forecasting
Comrade Cooperative(同志合作社)
直到最近,递归神经网络仍然是捕获序列中的时间依赖关系的最佳方法之一。然而,随着Transformer的引入,已经证明,只有注意力机制而没有任何RNN的架构可以改善各种序列处理任务(例如NLP)的结果。此后的多项研究表明,类似的方法可以应用于图像、点云、视频、音频或时间序列预测。此外,还引入了诸如感知器或告密者之类的解决方案,以扩展Transformer的适用性。我们的主要目标是测试和评估在时间序列数据上应用Transformer类模型的有效性,通过微调超参数,预处理数据,应用降维或卷积编码,我们也在考虑下一个问题--帧预测和探索修改现有解决方案的方法,以实现更高的性能和学习广义知识。
2021-08-18 cs.LG
Model Selection for Time Series Forecasting: Empirical Analysis of Different Estimators
Dalhousie University(达尔豪斯大学);Fraunhofer AICOS(弗劳恩霍夫应用信息技术与通信系统研究所);INESC TEC(葡萄牙工程技术与科学研究中心);University of Porto(波尔图大学)
评估预测模型是预测分析中的一项重要任务。对于观测值显示时间依赖性的时间序列数据,该过程尤其具有挑战性。几项研究分析了不同的性能估计方法如何相互比较,以近似给定预测模型所产生的真实损失。然而,这些研究并没有解决估计量如何进行模型选择:从一组替代方案中选择最佳解决方案的能力。我们解决这个问题,并比较了一组估计方法的模型选择在时间序列预测任务。我们试图回答两个主要问题:(i)估计器选择最佳可能模型的频率;以及(ii)当它不选择时,性能损失是什么。我们的经验发现,选择最佳解决方案的估计的准确性是低的,整体预测性能损失与模型选择过程的范围从1.2%到2.3%。我们还发现,一些因素,如样本量,是重要的估计的相对性能。
2022-02-11 cs.LG stat.ML
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
Operational evaluation of data-driven forest fire forecasting models
CMCC Foundation - Euro-Mediterranean Center on Climate Change, Italy(CMCC基金会 - 欧洲-地中海气候变化中心,意大利);Department of Engineering for Innovation, University of Salento, Italy(萨伦托大学创新工程系,意大利)
本文提出基于地图的data-driven火灾危险指数模型评估方法,旨在提升森林火灾预报模型的实用性,通过系统评估预测准确性和减少误报率。
2026-07-29 cs.LG
A Machine Learning Approach to Forecasting Honey Production with Tree-Based Methods
Department of Economics and Management, University of Florence(佛罗伦萨大学经济学与管理学院);DiMSEFA, Catholic University of the Sacred Heart(圣心大学迪姆塞法学院)
本文利用2022年意大利蜂巢与天气数据,训练并比较多种线性和非线性机器学习模型预测蜂蜜产量,识别关键驱动因素,并通过模型集成提升预测准确性,以支持养蜂人风险管理与保险产品开发。
2025-05-06 cs.LG
Conformal Prediction Algorithms for Time Series Forecasting: Methods and Benchmarking
本文提出了一种多步分割置信预测方法,用于时间序列预测,通过基准测试验证其在覆盖率和效率上的优势。
2026-01-30 cs.LG
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
MPPN: Multi-Resolution Periodic Pattern Network For Long-Term Time Series Forecasting
China Mobile Research Institute(中国移动研究院)
针对长期时间序列预测中现有方法模式噪声多、可解释性差、忽略多变量个体特征的问题,提出MPPN架构,通过多分辨率语义单元、多周期模式挖掘、通道自适应模块及熵基可预测性评估方法,在9个基准上性能超越现有最优方法。
2023-06-12 cs.LG stat.ML
Difference Learning for Air Quality Forecasting Transport Emulation
Johns Hopkins Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室);NOAA(美国国家海洋和大气管理局)
本文提出一种深度学习传输模拟器,以降低空气质量预报的计算成本,并在极端事件下保持与数值模型相当的技巧水平,同时评估其对传输物理性质的保持能力。
2024-02-22 cs.LG physics.ao-ph
Demand Forecasting of Individual Probability Density Functions with Machine Learning
Blue Yonder GmbH(蓝越有限公司);IU Internationale Hochschule(IU国际大学);Blue Yonder India Private Limited(蓝越印度私人有限公司)
需求预测是零售商补货流程的核心组成部分,因为它为订购流程等后续决策提供了关键输入。与点估计(如基础概率分布的条件均值或置信区间)相比,预测完整的概率密度函数允许调查对运营指标的影响,这对于定义整个预期需求范围内的业务策略非常重要。而度量评估点估计被广泛使用,用于评估预测分布的准确性的方法是罕见的,这项工作提出了新的技术,定性和定量的评估方法。使用监督机器学习方法“循环提升”,可以预测完整的个体概率密度函数,使得每个预测都是完全可解释的。这对从业者来说特别重要,因为它可以避免“黑箱”模型,并了解每个预测的影响因素。需求预测方法的可解释性和可推广性方面的另一个关键方面是时间混杂的影响的限制,这在大多数最先进的方法中是普遍存在的。
2021-07-22 cs.LG stat.ML
Water and Electricity Consumption Forecasting at an Educational Institution using Machine Learning models with Metaheuristic Optimization
Universidade Tecnológica Federal do Paraná(巴拉那联邦理工大学)
该研究以巴西一所教育机构五年账单及内外生变量为数据,比较经GA优化的RF与SVR在12个月水电消耗预测中的表现,并评估气候变量影响,发现RF最佳且加入气候变量通常降低精度。
2024-10-25 cs.LG
Evaluating State of the Art, Forecasting Ensembles- and Meta-learning Strategies for Model Fusion
University of Johannesburg(约翰内斯堡大学)
混合和集成学习技术是提高预测方法预测能力的常用模型融合技术。由于有限的研究促使这两种有前途的方法相结合,本文重点关注指数平滑递归神经网络(ES-RNN)在不同集成的基础模型池中的效用。我们比较了一些国家的最先进的集成技术和算术模型平均作为基准。我们对10万个时间序列的M4预测数据集进行了实验,结果表明,平均而言,基于时间序列的预测模型平均(FFORMA)是与ES-RNN进行后期数据融合的最佳技术。然而,考虑到M4的Daily数据子集,堆叠是处理所有基础模型性能相似的情况的唯一成功的集合。我们的实验结果表明,我们达到了最先进的预测结果相比,N-BEATS作为基准。我们的结论是,模型平均是一个更强大的合奏比模型选择和堆叠策略。此外,结果表明,梯度提升是优越的实施集成学习策略。
2022-07-19 cs.AI cs.LG
Time Series Analysis and Forecasting of COVID-19 Cases Using LSTM and ARIMA Models
2019冠状病毒病(COVID-19)是一场全球公共卫生危机,已被世界卫生组织宣布为大流行病。预测各国的COVID-19病例对于帮助政策制定者和医疗服务提供者为未来做好准备是必要的。本研究探讨了几种长短期记忆(LSTM)模型和自回归综合移动平均(ARIMA)模型在预测新冠肺炎确诊病例数方面的表现。每日累计COVID-19病例的时间序列被用于使用几个LSTM模型和ARIMA生成1天、3天和5天的预测。两个新的k期性能指标-k天平均绝对百分比误差(kMAPE)和k天中位数对称精度(kMdSA)-被开发用于评估模型在预测多天时间序列值方面的性能。使用kMAPE和kMdSA对LSTM模型的预测误差均低至0.05%,而ARIMA的预测误差分别为0.07%和0.06%。LSTM模型略微低估,而ARIMA略微高估了预测中的数字。LSTM模型在预测COVID-19病例方面的表现与ARIMA相当。虽然ARIMA需要更长的序列,但LSTM可以在序列大小为3的情况下表现得相当好。然而,LSTM需要大量的训练样本。此外,k期性能指标的发展建议可能是有用的性能评估的时间序列模型在预测多个时期。基于所提出的k周期性能指标,LSTM和ARIMA都可用于COVID-19的时间序列分析和预测。
2020-06-05 cs.LG stat.AP
Adaptive Epidemic Forecasting and Community Risk Evaluation of COVID-19
IBM(国际商业机器公司)
封锁、限制餐厅及聚会、保持社交距离等疫情控制措施已显示有效遏制COVID-19的传播。然而,持续执行这些法律会产生负面的经济影响。为了制定战略和政策,减少人民和经济的困难,同时有效地防治大流行病,当局需要在正确的地理空间粒度上了解疾病动态。考虑到医院处理波动需求的能力等因素,评估各种重新开放的情况,并准确预测病例对决策至关重要。为此,我们提出了一个灵活的端到端解决方案,将公共卫生数据与三级客户数据无缝集成,以准确估计重新开放社区的风险。其核心是一个最先进的预测模型,可以自动捕捉传输和移动性的变化趋势。基准对各种公布的基线确认我们的预测算法的优越性。结合扩展到多个客户特定需求并通过反事实分析执行演绎推理的能力,该解决方案为从政府到教育机构、医院和商业机构的多个客户领域提供了可操作的见解。
2021-06-03 cs.CY cs.LG
World2TS: Real-World Event Context for Time-Series Forecasting
University of Science and Technology of China(中国科学技术大学);Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院)
针对现有时间序列预测数据集缺乏真实世界事件上下文的问题,提出World2TS框架构建含事件关联的大规模数据集,经实验验证其可提升预测准确性,为相关模型开发提供数据基础。
2026-10-14 cs.LG
A Distance Correlation-Based Approach to Characterize the Effectiveness of Recurrent Neural Networks for Time Series Forecasting
University of Washington(华盛顿大学)
本文提出基于距离相关性的方法,将时间序列特征与RNN组件关联,通过分析激活层信息流来解释性能差异,发现RNN能学习滞后结构但随层数加深而丢失信息,且无法充分建模移动平均和异方差过程,从而帮助从业者在无需训练的情况下评估RNN有效性。
2024-04-25 cs.LG