Multimodal Neural Network For Demand Forecasting
Zenlabs, Zensar Technologies Ltd.（Zensar科技有限公司Zenlabs）
需求预测应用程序极大地受益于用于时间序列预测的最先进的深度学习方法。传统的单模态模型主要是季节性驱动的，它试图将需求建模为历史销售以及假期和促销活动信息的函数。然而，准确和稳健的销售预测需要适应多种其他因素，如自然灾害，流行病，选举等，影响了对产品和产品类别的总体需求。我们提出了一个多模态的销售预测网络，它结合了新闻文章中的真实事件和传统数据，如历史销售和假日信息。此外，我们还融合了Google趋势发布的一般产品趋势的信息。实证结果显示，SMAPE误差指标在统计上有显著改善，与现实世界超市数据集上现有的最先进的销售预测技术相比，平均改善了7.37%。
2022-10-20 cs.AI cs.LG
Exploring Quantum Machine Learning for Weather Forecasting
QuIIN—Quantum Industrial Innovation, EMBRAPII CIMATEC Competence Center in Quantum Technologies, SENAI CIMATEC（量子工业创新机构、EMBRAPII CIMATEC量子技术能力中心、SENAI CIMATEC）；Quantum Information Group, Federal University of Western Bahia - Campus Reitor Edgard Santos（量子信息组、巴伊亚西部联邦大学）
本研究探索量子机器学习与气候预测的交叉领域，实现基于NASA POWER数据训练的量子神经网络，发现其在风速、温度预测上优于经典RNN，为短中期气候预测提供新方案。
2025-09-01 cs.LG quant-ph
XRMDN: An Extended Recurrent Mixture Density Network for Short-Term Probabilistic Rider Demand Forecasting with High Volatility
Concordia University（康考迪亚大学）；Concordia Institute for Information Systems Engineering (CIISE)（康考迪亚信息系统工程研究所）；Concordia John Molson School of Business (JMSB)（康考迪亚约翰莫尔森商学院）
针对 MoD 需求受内外因素影响且高波动、传统点预测难以刻画不确定性的问题，提出 XRMDN 深度概率预测框架，并在真实数据集上验证其优于基准模型。
2024-03-05 cs.LG
Interval Forecasting of Electricity Demand: A Novel Bivariate EMD-based Support Vector Regression Modeling Framework
在电力系统规划和运行决策中，高精度的电力需求区间预测是通过提供范围而不是点估计来成功降低风险的基础。在这项研究中，一种新的建模框架集成双变量经验模式分解（BEMD）和支持向量回归（SVR），扩展了成熟的经验模式分解（EMD）为基础的时间序列建模框架的能源需求预测文献，提出了电力需求的区间预测。本研究的新颖性来自就业BEMD，一个新的扩展经典经验模型分解（EMD）注定要处理二元时间序列作为复值时间序列，作为分解方法，而不是经典的EMD只能分解一维单值时间序列。该建模框架被赋予BEMD同时分解的下限和上限的时间序列，构建在复值时间序列的形式，电力需求每月每小时的基础上，从而捕捉潜在的相互关系的下限和上限。建议的建模框架是合理的，每月间隔值的电力需求数据每小时在宾夕法尼亚州新泽西州马里兰州互联，表明它是一个很有前途的方法，区间值的电力需求预测。
2014-06-15 cs.LG stat.AP
A Novel Hybrid Approach to Contraceptive Demand Forecasting: Integrating Point Predictions with Probabilistic Distributions
Cardiff University（卡迪夫大学）；Cardiff Business School（卡迪夫商学院）
本文提出一种结合特定领域模型点预测与统计机器学习概率分布的混合模型，通过引入专家知识微调系统预测，有效解决了发展中国家避孕药具需求预测中的数据不确定性问题。
2025-03-07 cs.LG stat.AP stat.ME
Mitigating Cold-start Forecasting using Cold Causal Demand Forecasting Model
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Google Inc.（谷歌公司）
针对深度学习多变量时间序列预测模型因果关系捕捉不足、无法应对冷启动的问题，提出融合因果推断与深度学习的CDF-cold框架，在15个谷歌数据中心流量数据集上表现优于现有最优模型。
2023-06-15 cs.LG
Electricity Demand Forecasting by Multi-Task Learning
IBM Research - Ireland（IBM研究院（爱尔兰））
我们探索应用基于核的多任务学习技术来预测配电网中多个节点的电力需求。我们表明，最近开发的输出核学习技术特别适合解决这个问题，因为它们允许灵活地模拟表征电力需求数据的复杂季节性效应，同时学习和利用多个需求曲线之间的相关性。我们还证明了具有乘法结构的内核相对于广泛采用的（广义）加性模型具有更好的预测性能。我们的研究是基于爱尔兰能源监管委员会（CER）提供的住宅和工业智能电表数据。
2015-12-27 cs.LG
Application of Deep Learning Long Short-Term Memory in Energy Demand Forecasting
RMIT University（皇家墨尔本理工大学）
智能计量基础设施改变了住宅和工业应用中的电力测量方式。智能电表每天收集的大量数据为分析提供了巨大的潜力，以支持智能电网的运行，其中一个例子是能源需求预测。短期能源预测可以被公用事业公司用来评估任何预测的峰值能源需求是否会对电力系统传输和分配基础设施产生不利影响。它还可以帮助负荷调度和需求侧管理。人们提出了许多技术来预测时间序列，包括支持向量机、人工神经网络和深度学习。在这项工作中，我们使用长短期记忆架构，预测3天前的能源需求在每个月的一年。结果表明，该方法可以准确预测未来3天的需求，平均绝对百分比误差为3.15%。除此之外，本文还提出了将时间量化为训练阶段使用的一个特征的方法，该特征被证明会影响网络性能。
2019-03-04 cs.LG
Mixing It Up: Exploring Mixer Networks for Irregular Multivariate Time Series Forecasting
Institute of Computer Science, University of Hildesheim（计算机科学学院，希尔德斯海姆大学）；VWFS Data Analytics Research Center (VWFS-DARC)（VWFS数据分析研究中心（VWFS-DARC））
本文提出IMTS-Mixer网络，通过ISCAM和ConTP组件有效处理不规则多变量时间序列预测，实现高精度与低参数量的平衡。
2026-02-26 cs.LG
Deep Learning for Flight Demand Forecasting
The MITRE Corporation（MITRE 公司）；Federal Aviation Administration（美国联邦航空管理局）
受深度学习（DL）在自然语言处理（NLP）中的成功启发，我们应用了尖端的深度学习技术来预测战略时间范围（4小时或更长）内的航班起飞需求。这项工作是为了支持MITRE开发的移动应用程序Pacer，该应用程序向通用航空（GA）飞行运营商显示预测的起飞需求，以便他们能够更好地了解繁忙时期起飞延误的可能性。Pacer先前设计的基于规则的预测方法的现场演示表明，发车需求的预测精度仍有改进的空间。本研究致力于从两个关键方面提高预测精度：更好的数据源和鲁棒的预测算法。我们利用两个数据源，航空系统性能评估（ASPM）和全系统信息管理（SWIM），作为我们的输入。然后，我们使用序列到序列（seq2seq）和seq2seq的DL技术训练预测模型。案例研究表明，我们的seq2seq与注意力的表现最好的四个预测算法测试。此外，在更好的数据源下，与经典的自回归（AR）预测方法相比，带注意力的seq2seq可以将均方误差（mse）降低60%以上。
2021-11-04 cs.LG
A Hybrid Model for Forecasting Short-Term Electricity Demand
Birkbeck - University of London（伦敦大学伯贝克学院）
目前，英国电力市场由监管机构每30分钟发布的负荷（需求）预测指导。预测需求的一个关键因素是天气状况，天气预报每小时发布一次。我们介绍HYENA：一种混合预测模型，它结合了特征工程（候选预测器特征的选择），移动窗口预测器和最后的LSTM编码器-解码器，以实现相对于文献中主流模型的更高准确性。HYENA在最佳基准模型上将MAPE损失降低了16%，RMSE损失降低了10%，从而为英国电力负荷（和电价）预测建立了一个新的技术水平。
2022-05-20 cs.AI cs.LG
Wave-Mask/Mix: Exploring Wavelet-Based Augmentations for Time Series Forecasting
University of Hildesheim（希尔德斯海姆大学）
本研究提出基于离散小波变换的WaveMask和WaveMix两种数据增强方法，用于时间序列预测，在保持时间依赖性的同时调整频率元素，并在多元时间序列上验证了与基线相当的性能。
2024-08-20 cs.AI cs.LG
Encoding Seasonal Climate Predictions for Demand Forecasting with Modular Neural Network
IBM Research（IBM研究院）；IBM Research - India（IBM研究院（印度））
提出一种模块化神经网络框架，编码季节性气候预测以提升供应链需求预测的稳健性，在多个真实数据集上实现约13%-17%的错误减少。
2023-09-05 cs.AI cs.LG
Textual-Knowledge-Guided Numerical Feature Discovery Method for Power Demand Forecasting
Hunan University（湖南大学）
本文提出文本知识引导的数值特征发现方法TKNFD，通过构建四维多元源追踪数据库和两级定量特征识别策略，发现43-48个有效特征，使电力需求预测精度较SoTA方案提升16.84%至36.36%。
2023-11-30 cs.LG
Unsupervised Knowledge Adaptation for Passenger Demand Forecasting
University of New South Wales（新南威尔士大学）；University of Sydney（悉尼大学）；The Hong Kong Polytechnic University（香港理工大学）
考虑到运输系统的多式联运性质和潜在的跨模式相关性，通过从多式联运数据中学习来提高需求预测准确性的趋势越来越明显。这些多模态预测模型可以提高准确性，但当多模态数据集的不同部分由不同的机构拥有时，这些机构无法直接共享数据。虽然各个机构可能无法直接相互共享数据，但它们可以共享由其数据训练的预测模型，其中这些模型无法用于从其数据集中识别准确的信息。本研究提出一个无监督的知识适应需求预测框架，预测目标模式的需求，利用一个预先训练的模型的基础上，另一种模式的数据，这不需要直接数据共享的源模式。拟议的框架利用多种运输模式之间的潜在共享模式，以提高预测性能，同时避免不同机构之间的数据直接共享。具体来说，首先根据源模式的数据学习预训练的预测模型，该模型可以捕获并记忆源出行模式。然后，将目标数据集的需求数据编码为个体知识部分和共享知识部分，分别通过个体抽取网络和共享抽取网络抽取出行模式。利用无监督的知识自适应策略，通过将预训练网络与共享提取网络进行类比，形成共享特征，用于进一步预测。我们的研究结果表明，通过共享预训练模型到目标模式的无监督知识自适应可以提高预测性能，而不依赖于直接的数据共享。
2022-06-08 cs.AI cs.LG
Intermittent Demand Forecasting with Renewal Processes
Amazon Web Services AI Labs（亚马逊云科技人工智能实验室）；Boğaziçi University（博阿齐奇大学）
间歇性是需求预测中常见且具有挑战性的问题。我们引入了一个新的，统一的框架，建立间歇性需求预测模型，它结合并允许在几个方向概括现有的方法。我们的框架是基于扩展的完善的基于模型的方法，离散时间更新过程，它可以吝啬占模式，如老化，聚类和准周期性的需求到达。离散时间更新过程的连接不仅允许Croston型模型的原则性扩展，而且还允许基于神经网络的模型的自然包含-通过用递归神经网络代替指数平滑。我们还表明，建模连续时间的需求到达，即，与时间点过程，是可能的，通过一个平凡的扩展我们的框架。这导致在单个采购订单的数据直接可用的情况下更灵活的建模与粒度时间戳。作为对这一理论进步的补充，我们通过对标准间歇性需求数据集的广泛实证研究，证明了我们的预测实践框架的有效性，在这些数据集中，我们报告了各种情况下的预测准确性，这些情况与最先进的情况相比都是有利的。
2020-10-04 cs.LG stat.AP stat.ML
Demand Forecasting using Long Short-Term Memory Neural Networks
Karlsruhe University of Applied Sciences（卡尔斯鲁厄应用技术大学）；inovex GmbH（inovex 有限公司）
在本文中，我们调查在何种程度上长短期记忆神经网络（LSTM）是适合在电子杂货零售业的需求预测。为此，单变量以及多变量LSTM为基础的模型开发和测试的背景下，100个快速消费品的硕士论文。平均而言，开发的模型显示出比统计和机器学习家族的比较模型更好的食品结果。单独在饮料领域随机森林和线性回归取得了稍好的效果。这一结果表明，LSTM可以用于产品层面的需求预测。这里介绍的模型的性能超出了目前的研究状态，这可以从基于数据集的评估中看出，不幸的是，迄今为止还没有公开。
2020-08-19 cs.LG stat.ML
Univariate Long-Term Municipal Water Demand Forecasting
VanBerlo Consulting（范伯洛咨询公司）；The Corporation of the City of London（伦敦市公司）
这项研究描述了在加拿大伦敦的城市用水量的建模调查。对用水量单变量时间序列预测任务的多种建模技术进行了评估，包括线性回归、Facebook的Prophet方法、递归神经网络和卷积神经网络。Prophet被确定为首选模型，其平均绝对百分比误差为2.51%，平均值为5倍交叉验证。Prophet还被发现具有其他被认为对水需求管理利益相关者有价值的优势，包括固有的可解释性和对缺失数据的优雅处理。本文所述方法的实施已开放源代码，因为它们可能适用于其他城市。
2021-05-18 cs.LG
Ensemble Forecasting of Monthly Electricity Demand using Pattern Similarity-based Methods
Częstochowa University of Technology（琴斯托霍瓦工业大学）
本文提出了一种基于模式相似性的月电力需求集成预测方法。本研究所应用的PSFM包括$k$ -最近邻模型、模糊邻域模型、核回归模型和一般回归神经网络。PSFM的组成部分是使用时间序列序列模式的时间序列表示。模式表示通过趋势滤波和方差均衡保证了输入和输出数据的统一。创建了两种类型的集成：异构和同质。前者由不同类型的基础模型组成，而后者由单一类型的基础模型组成。五种策略用于控制同质方法中的成员多样性。使用不同的训练数据子集、不同的特征子集、随机干扰的输入和输出变量以及随机干扰的模型参数来生成多样性。实证说明适用于合奏模型以及个人PSFM比较，每月的电力需求预测为35个欧洲国家。
2020-03-29 cs.LG stat.ML
Situational-Aware Multi-Graph Convolutional Recurrent Network (SA-MGCRN) for Travel Demand Forecasting During Wildfires
University of Florida（佛罗里达大学）；Massey University（梅西大学）；University of Canterbury（坎特伯雷大学）
本文提出情境感知多图卷积循环网络SA-MGCRN，融合GPS数据与AI技术，用于野火疏散期间出行需求实时预测，并在2019年Kincade Fire案例中显著优于现有基准。
2023-04-13 cs.LG
Improving accuracy in short mortality rate series: Exploring Multi-step Forecasting Approaches in Hybrid Systems
Departamento de Finanças e Contabilidade Universidade Federal da Paraíba（财务与会计系 伯南布哥联邦大学）；Centro de Informática Universidade Federal de Pernambuco（计算机中心 皮奥伊联邦大学）；Departamento de Estatística e Informática Universidade Federal do Cariri（统计与计算机系 卡里里联邦大学）
针对短期死亡率数据有限下的多步预测难题，该研究比较混合系统中递归、直接和MIMO策略及多种ML模型，发现方法与模型选择均关键，递归ARIMA-LSTM表现最佳。
2025-09-26 cs.LG
Horizon-Aware Forecasting of Passenger Assistance Demand for Rail Station Workforce Planning
London North Eastern Railway（伦敦东北铁路）；Digital and Innovation Department（数字与创新部门）
本文提出一种数据驱动的决策支持框架，用于预测车站乘客协助需求并转化为工作人员计划。通过多源运营数据的多源数据驱动方法和可解释的红黄绿风险框架，提高了预测准确性并减少了因工作人员可用性导致的失败交付。
2026-04-08 cs.LG stat.AP
Demand forecasting techniques for build-to-order lean manufacturing supply chains
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究所）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
按订单生产（BTO）供应链在电子、汽车和时尚等行业已变得司空见惯。它们可以根据个性化要求制造产品，交货时间短，库存和生产成本最低。由于其性质，它们与传统的供应链有很大的不同。然而，还没有专门研究这种类型的设置的需求预测方法。这项工作有两个贡献。首先，它提供了一个新的和独特的数据集，从制造商在BTO部门。其次，提出了一种新的数据转换技术，用于BTO产品的需求预测。十三种预测方法的结果表明，该方法比较好的国家的最先进的，同时易于实施和解释的决策者。
2019-05-20 cs.LG econ.EM stat.AP
STG2Seq: Spatial-temporal Graph to Sequence Model for Multi-step Passenger Demand Forecasting
University of New South Wales（新南威尔士大学）；University of Technology Sydney（悉尼科技大学）；Macquarie University（麦考瑞大学）
多步乘客需求预测是按需车辆共享服务的关键任务。然而，由于非线性和动态的时空依赖性，在多个时间范围内预测乘客需求通常是具有挑战性的。在这项工作中，我们提出了基于图的多步全市乘客需求预测模型，并使用分层图卷积结构来同时捕获空间和时间相关性。我们的模型由三个部分组成：1）长期编码器，用于对历史乘客需求进行编码; 2）短期编码器，用于导出下一步预测，以生成多步预测; 3）基于注意力的输出模块，用于对动态时间和通道信息进行建模。在三个真实世界数据集上的实验表明，我们的模型始终优于许多基线方法和最先进的模型。
2019-05-24 cs.AI cs.LG stat.ML
TAT: Temporal-Aligned Transformer for Multi-Horizon Peak Demand Forecasting
Georgia Institute of Technology（佐治亚理工学院）；Amazon（亚马逊公司）
提出时间对齐Transformer（TAT），通过嵌入时间对齐注意力机制利用先验上下文变量，在保持整体性能的同时将峰值需求预测准确率提升达30%。
2025-07-14 cs.AI cs.LG
Masked Multi-Step Probabilistic Forecasting for Short-to-Mid-Term Electricity Demand
GE Research（通用电气研究中心）；Upstart Power（Upstart Power公司）
预测具有不确定性的电力需求有助于电网的规划和运行，以向消费者提供可靠的电力供应。基于机器学习（ML）的需求预测方法可以分为（1）基于样本的方法，其中每个预测都是独立进行的，以及（2）时间序列回归方法，其中使用一些历史负荷和其他特征信息。在进行短期至中期电力需求预测时，可以获得一些未来信息，例如天气预报和日历变量。然而，在现有的预测模型中，这一未来信息并没有完全纳入。为了克服现有方法的这一局限性，我们提出了掩蔽多步多变量概率预测（MMMPF），一种新的和通用的框架，训练任何神经网络模型，能够生成一系列的输出，它结合了时间信息从过去和已知的信息对未来进行概率预测。在真实世界的数据集上进行了多个地区的短期到中期电力需求预测的实验，并与各种ML方法进行了比较。他们表明，所提出的MMMPF框架不仅优于基于样本的方法，而且优于具有完全相同的基本模型的现有时间序列预测模型。使用MMMPF训练的模型还可以生成所需的分位数，以捕获不确定性，并为未来的网格进行概率规划。
2023-02-14 cs.AI cs.LG eess.SP
Electricity Demand Forecasting through Natural Language Processing with Long Short-Term Memory Networks
Mines Paris - PSL（巴黎文理研究大学巴黎高等矿业学院）
本文提出一种结合文本新闻特征的LSTM网络预测英国电力需求，发现交通与地缘政治的公众情绪和词向量具时间连续性效应，模型较纯LSTM基准提升超3%、较官方基准提升近10%，并有效降低了预测不确定性。
2023-09-13 cs.LG
Demand Forecasting in Smart Grid Using Long Short-Term Memory
Military Institute of Science & Technology (MIST)（军事科学技术学院）；Bangladesh University of Professionals (BUP)（孟加拉国专业大学）
随着智能计量电网的兴起，电力需求预测已成为现代需求管理和响应系统的重要组成部分。长短期记忆（LSTM）在预测时间序列数据方面显示出很好的效果，这些数据也可以应用于智能电网的电力负荷需求。本文提出了一种基于LSTM的神经网络结构电力需求预测模型。该模型使用智能电网四年的每小时能源和电力使用数据进行训练。在训练和预测之后，将模型的准确性与传统的统计时间序列分析算法（如自回归（AR））进行比较，以确定效率。在所提出的LSTM模型中，平均绝对百分位误差为1.22，是其他模型中最低的。从研究结果来看，很明显，神经网络在预测电力需求中的加入显著降低了预测误差。因此，LSTM的应用可以实现更高效的需求响应系统。
2021-07-28 cs.LG
Probabilistic water demand forecasting using quantile regression algorithms
University of Patras（帕特雷大学）；Roma Tre University（罗马第三大学）；National Technical University of Athens（雅典国立技术大学）
机器和统计学习算法可以可靠地自动化并大规模应用。因此，它们可以成为设计实用预测系统的重要资产，例如与城市用水需求有关的预测系统。分位数回归算法是一种统计和机器学习算法，可以以简单的方式提供概率预测，迄今为止尚未应用于城市需水量预测。在这项工作中，我们的目标是填补这一空白，自动化和广泛比较几个基于分位数回归的实用系统的概率提前一天的城市用水量预测。为了设计实际的系统，我们使用五个单独的算法（即，分位数回归、线性提升、广义随机森林、梯度提升机和分位数回归神经网络算法），它们的均值组合器和中值组合器。比较是通过利用一个大型的城市水流量数据集，以及几种类型的水文气象时间序列（被认为是预测设置中的外生预测变量）。结果大多有利于使用线性升压算法设计的实际系统，可能是由于城市水流量时间序列中存在的趋势。平均值和中位数组合的预测也被发现是熟练的一般条款。
2021-04-16 cs.LG stat.ME stat.ML
EXPRTS: Exploring and Probing the Robustness of Time Series Forecasting Models
Aneo AS（Aneo公司）；Norwegian University of Science and Technology（挪威科学与技术大学）；University of California Santa Cruz（加州大学圣克鲁兹分校）；University of Bergen（卑尔根大学）
针对时间序列预测模型在分布外数据上缺乏鲁棒性且现有数据增强方法计算昂贵、不可解释的问题，提出结合时间序列分解与解析函数的可解释生成框架，并开发了可视化分析工具 EXPRTS，通过生成有意义的OOD时间序列有效提升模型鲁棒性。
2025-06-27 cs.LG
PREIG: Physics-informed and Reinforcement-driven Interpretable GRU for Commodity Demand Forecasting
The University of Sydney（悉尼大学）
针对商品需求预测的市场波动、非线性及经济一致性难题，提出融合GRU与PINN、嵌入价需负弹性约束并采用混合优化策略的PREIG框架，在多数据集上预测精度优于传统模型与基线，兼具可解释性与鲁棒性。
2025-07-29 cs.LG
T-STAR: A Context-Aware Transformer Framework for Short-Term Probabilistic Demand Forecasting in Dock-Based Shared Micro-Mobility
Transport and Planning, Delft University of Technology（代尔夫特理工大学交通与规划）
本文提出T-STAR框架，通过两级结构分离一致需求模式和短期波动，提升短期概率需求预测的准确性，实验表明其在确定性和概率性准确性上均优于现有方法，且具备良好的时空鲁棒性。
2026-05-18 cs.LG
Travel Demand Forecasting: A Fair AI Approach
University of Florida（佛罗里达大学）；Bloomberg（彭博社）
针对AI出行需求预测中的多属性公平性问题，本文提出衡量预测准确性与多个受保护属性相关性的新型公平正则化项，并在芝加哥和奥斯汀网约车数据上验证其能兼顾准确性与公平性且优于三种基线方法。
2023-09-25 cs.AI cs.CY cs.LG
Retail Demand Forecasting: A Comparative Study for Multivariate Time Series
Institute of Electrical and Electronics Engineers（电气和电子工程师协会）；University of Tennessee Chattanooga（田纳西大学查塔努加分校）；University of South Dakota（南达科他大学）
针对现有零售需求预测多忽略宏观经济因素的问题，本研究引入CPI、ICS、失业率等变量构建多变量数据集，对比多种回归与机器学习模型以提升预测精度。
2023-08-23 cs.AI cs.LG q-fin.ST
Automobile demand forecasting: Spatiotemporal and hierarchical modeling, life cycle dynamics, and user-generated online information
School of Management, Technical University of Munich（慕尼黑技术大学管理学院）；Munich Data Science Institute（慕尼黑数据科学研究所）
本文提出了一种结合时空依赖性和用户生成在线信息的多层级汽车需求预测方法，利用LightGBM和混合整数线性规划提升预测精度，强调整数预测对运营的重要性。
2025-11-21 cs.LG stat.AP
Demand Forecasting from Spatiotemporal Data with Graph Networks and Temporal-Guided Embedding
POSTECH（浦项科技大学）；Statice GmbH（Statice有限公司）；Kakao Brain；Kakao Mobility
短期需求预测模型通常结合卷积层和递归层来提取数据中复杂的时空模式。长期历史也被用来考虑作为时间序列数据的周期性和季节性模式。在本研究中，我们提出了一种高效的架构，即时间引导网络（TGNet），它利用图网络和时间引导嵌入。图网络将不变特征提取到相邻区域的排列中，而不是卷积层。时间引导的嵌入从训练数据中显式地学习时间上下文，并替换来自数天/数周前的长期历史的输入。TGNet学习自回归模型，该模型以时间引导嵌入的预测目标的时间背景为条件。最后，我们的模型在来自现实世界的三个时空需求数据集上实现了与其他基线竞争的性能，但可训练参数的数量比最先进的基线小约20倍。我们还表明，时间引导嵌入学习时间上下文的预期和TGNet具有强大的预测性能，即使是非典型事件的情况。
2019-10-07 cs.LG stat.ML
Select, then Balance: Exploring Exogenous Variable Modeling of Spatio-Temporal Forecasting
HKUST(GZ)（香港科技大学（广州））；HKUST（香港科技大学）；CityU（香港城市大学）
本文提出ExoST框架，通过'选择，然后平衡'的范式，解决空间时间预测中外生变量建模的两个核心挑战，提升预测效果和模型兼容性。
2026-03-02 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
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
Exploring AI in Fashion: A Review of Aesthetics, Personalization, Virtual Try-On, and Forecasting
本文综述了四个领域的方法、数据集和评估指标，涵盖美观、个性化、虚拟试穿和预测，探讨了技术方法与推荐系统的关系及跨领域依赖，识别了集成AI驱动时尚系统面临的挑战和未来方向。
2026-03-19 cs.CV cs.LG
Foundation Models for Demand Forecasting via Dual-Strategy Ensembling
University of Southern California（南加州大学）；AWS Supply Chain（AWS供应链）
针对需求预测中基础模型架构僵化、分布变化下鲁棒性差的问题，提出结合层级集成与架构集成的统一框架，在多数据集上验证其能提升预测准确率与泛化性。
2025-07-29 cs.AI cs.LG
Flight Demand Forecasting with Transformers
The MITRE Corporation（MITRE公司）；Federal Aviation Administration（美国联邦航空管理局）
Transformers已经成为自然语言处理（NLP）领域事实上的标准。它们在计算机视觉和其他领域也获得了发展势头。Transformers可以使人工智能（AI）模型动态地关注其输入的某些部分，从而更有效地进行推理。受Transformers成功的启发，我们采用这种技术来预测多个视野中的战略航班起飞需求。这项工作是为了支持MITRE开发的移动应用程序Pacer，该应用程序向通用航空（GA）飞行运营商显示预测的起飞需求，以便他们能够更好地了解繁忙时期起飞延误的可能性。Pacer先前设计的基于规则的预测方法的现场演示表明，发车需求的预测精度仍有改进的空间。本研究致力于从两个关键方面提高预测精度：更好的数据源和鲁棒的预测算法。我们利用两个数据源，航空系统性能评估（ASPM）和全系统信息管理（SWIM），作为我们的输入。然后，我们训练预测模型与时间融合Transformer（TFT）为五个不同的机场。案例研究表明，TFT可以比传统的预测方法表现得更好，并且可以在不同的机场进行更好的预测，并具有更好的可解释性。
2021-11-04 cs.AI cs.LG
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 Patient Demand at Urgent Care Clinics using Machine Learning
Massey University（梅西大学）
由于人员配备不足，世界各地的紧急护理诊所和急诊室经常会出现超出患者预期的等待时间。这些延迟与不良临床结局有关。以前的研究预测需求这一领域主要使用了统计技术的集合，与机器学习方法现在才开始出现在最近的文献。此领域的预测问题困难，且因COVID-19疫情而变得复杂，由于典型的需求模式被打乱，导致此估计变得额外复杂。这项研究探讨了机器学习方法在新西兰奥克兰的两个大型紧急护理诊所生成准确患者演示的能力。许多机器学习算法进行了探索，以确定最有效的技术，为这个问题的领域，与任务的预测，每天的病人需求提前三个月。该研究亦对模型行为进行了深入分析，以探索哪些特征在预测需求方面最有效，以及哪些特征能够适应COVID-19疫情封锁所导致的波动。结果表明，基于集成的方法平均提供了最准确和一致的解决方案，比现有的内部方法提高了23%-27%。
2022-05-25 cs.AI cs.LG
A Scalable and Transferable Time Series Prediction Framework for Demand Forecasting
MIT（麻省理工学院）；Seoul National University（首尔大学）；ETH Zürich（苏黎世联邦理工学院）；Superpetual Inc.（超级永恒公司）；NAVER CLOVA；NAVER AI Lab（NAVER AI实验室）
本文提出 Forchestra 框架，通过可扩展至 8 亿参数的时间序列模型提升需求预测精度，并验证其零样本迁移与相对基线的显著优势。
2024-02-29 cs.AI cs.LG
LTPNet Integration of Deep Learning and Environmental Decision Support Systems for Renewable Energy Demand Forecasting
Ningbo University of Finance & Economics（宁波财经学院）；Dongbei University of Finance & Economics（东北财经大学）；Northeastern University（东北大学）
本文提出LTPNet，将LSTM、Transformer与PSO参数优化相结合并融入环境决策支持系统，显著降低MAE、MAPE、RMSE和MSE等误差指标，有效提升可再生能源需求预测精度。
2024-10-20 cs.LG econ.GN q-fin.EC
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
Inter-Series Transformer: Attending to Products in Time Series Forecasting
MIT（麻省理工学院）；IBM Research（IBM研究院）
本文提出Inter-Series Transformer，通过跨时间序列注意力和共享多任务网络捕捉产品间交互并缓解稀疏性，在医疗设备供应链案例及公开数据集上提升需求预测性能。
2024-08-07 cs.AI cs.LG
Short-Term Electricity Demand Forecasting of Dhaka City Using CNN with Stacked BiLSTM
Tennessee State University（田纳西州立大学）；Ahsanullah University of Science and Technology（阿萨努拉科技大学）
本文提出CNN与堆叠BiLSTM混合模型用于达卡市短期电力需求预测，并研究归一化技术，在MAPE、MSE、RMSE和MAE指标上优于LSTM、CNN-BiLSTM和CNN-LSTM等基准模型。
2024-06-10 cs.LG
MQRetNN: Multi-Horizon Time Series Forecasting with Retrieval Augmentation
Amazon Forecasting Science（亚马逊预测科学部门）
多范围概率时间序列预测对需求预测等现实任务具有广泛的适用性。最近的神经时间序列预测工作主要集中在使用Seq 2Seq架构。例如，MQTransformer -MQCNN的改进-在概率需求预测方面表现出了最先进的性能。在本文中，我们考虑将跨实体的信息，以提高模型的性能，通过添加一个跨实体的注意力机制以及检索机制来选择哪些实体参加。我们展示了我们的新神经架构MQRetNN如何利用来自整个人群的预训练基线模型的编码上下文来提高预测准确性。使用MQCNN作为基线模型（由于计算限制，我们不使用MQTransformer），我们首先在一个小的需求预测数据集上显示，通过添加一个跨实体注意力机制，每个实体都关注种群中的所有其他实体，可以实现约3%的测试损失改善。然后，我们使用我们提出的检索方法评估模型-作为一种近似大量人群注意力的方法-在拥有超过200万种产品的大规模需求预测应用程序上，并观察到比MQCNN基线约1%的性能增益。
2022-09-08 cs.AI cs.LG
Deep-Gap: A deep learning framework for forecasting crowdsourcing supply-demand gap based on imaging time series and residual learning
Qatar University（卡塔尔大学）
由于智能手机的广泛普及，移动众包变得更加容易，智能手机能够无缝收集并将所需数据推送到云服务。然而，移动众包的成功依赖于平衡的供应和需求，首先准确地预测空间和时间的供需差距，然后提供有效的激励措施，鼓励参与者的运动，以保持所需的平衡。在本文中，我们提出了Deep-Gap，这是一种基于残差学习的深度学习方法，用于预测在给定时间和空间内移动众包服务供给和需求之间的差距。该预测可以驱动激励模型实现地理上均衡的服务覆盖，以避免某些区域过度供应而其他区域供应不足的情况。这使得能够预测供需差距，并将众包服务提供者重新定向到目标地区。Deep-Gap依赖于历史供求时间序列数据以及可用的外部数据，如天气状况和日期类型（例如，工作日、周末、假日）。首先，我们使用Gramian角和场（GASF），Gramian角差场（GADF）和递归图（REC）将供需时间序列滚动编码为图像。然后，这些图像被用于训练深度卷积神经网络（CNN），以提取低级和高级特征，并预测众包服务差距。通过建立有外部数据和无外部数据两种供需缺口预测情景，进行了全面的比较研究。与最先进的方法相比，Deep-Gap在两种情况下的预测误差都最低。
2019-11-02 cs.HC cs.LG cs.NI
Utilizing Device-level Demand Forecasting for Flexibility Markets - Full Version
Aalborg University（奥尔堡大学）；Enversion A/S（Enversion股份有限公司）
由于可再生能源（RES）的波动，电力供应的不确定性对能源市场参与者产生了严重的（财务和其他）影响。在本文中，我们提出了一个设备级的需求响应（DR）计划，捕捉原子（所有可用的）能源需求的灵活性，并提供最大可能的解决方案空间，以产生需求/供应时间表，最大限度地减少市场的不平衡。我们评估了广泛使用的预测模型的有效性和可行性的设备级的灵活性分析。在典型的设备级灵活性预测中，市场参与者更关心需求灵活性给市场带来的\textit{utility}，而不是内在的预测准确性。在这方面，我们提供了全面的预测建模和调度的需求灵活性，从家用电器，以证明（财务和其他）的可行性，引入灵活性为基础的DR在丹麦/北欧市场。此外，我们调查的潜在效用和需求预测模型的准确性之间的相关性。此外，我们进行了大量的实验，以确定数据粒度，提供最好的经济回报，市场参与者采用建议的DR计划。预测结果的成本效益分析表明，即使预测精度较低，市场参与者也可以实现理论最优水平的54%的监管成本节约。
2018-05-02 cs.CE cs.LG
Causal Effect Estimation with Global Probabilistic Forecasting: A Case Study of the Impact of Covid-19 Lockdowns on Energy Demand
Monash University（莫纳什大学）；Lauriston Girls’ School（劳里斯顿女子学校）
电力行业正在大力实施智能网格技术，以提高可靠性、可用性、安全性和效率。这一实施需要技术进步、标准和法规的制定以及测试和规划。智能电网负荷预测和管理对于减少需求波动和改善连接发电商、分销商和零售商的市场机制至关重要。在政策实施或外部干预期间，有必要分析其对电力需求影响的不确定性，以使系统能够对波动的需求做出更准确的反应。本文分析了外部干预对电力需求影响的不确定性。它实现了一个框架，该框架使用深度学习方法将概率和全局预测模型相结合，以估计干预措施的因果影响分布。通过预测受影响实例的反事实分布结果，然后将其与真实结果进行对比，来评估因果效应。我们将新型冠状病毒封城对能源使用的影响作为案例研究，以评估此干预措施对电力需求分布的非均匀影响。我们可以证明，在澳大利亚和一些欧洲国家最初的封锁期间，波谷的下降往往比波峰的下降更显著，而平均值几乎没有受到影响。
2022-10-20 cs.AI cs.LG econ.EM
An evaluation of time series forecasting models on water consumption data: A case study of Greece
Harokopio University of Athens（雅典哈罗科皮奥大学）；National Technical University of Athens（雅典国立技术大学）
本文针对希腊的真实时间序列用水量数据，评估了多种著名预测算法，揭示了各算法在实际供水数据集上的表现与应用见解，为缓解水资源供需失衡提供了参考。
2023-03-30 cs.LG
