Coherent Probabilistic Aggregate Queries on Long-horizon Forecasts
IIT Bombay(印度理工学院孟买分校)
长期预测是许多决策支持系统的起点,这些决策支持系统需要从预测值的高级聚合模式中进行推断。最先进的时间序列预测方法要么受到长期预测概念漂移的影响,要么无法准确地预测连贯和准确的高水平总量。在这项工作中,我们提出了一种新的概率预测方法,产生的预测是一致的基础水平和预测的总统计。我们实现了预测的基准水平和聚合统计之间的一致性,使用一种新的推理方法的基础上KL-发散,可以有效地解决在封闭的形式。我们表明,我们的方法提高了预测性能,在基础水平和看不见的聚集后推理的真实数据集范围三个不同的领域。(\href{https://github.com/pratham16cse/AggForecaster}{Project URL})
2022-05-25 cs.LG stat.ML
Cross-temporal probabilistic forecast reconciliation: Methodological and practical issues
本文提出跨时间概率预测调和框架,结合高斯与自举抽样及多步残差协方差估计,通过模拟和GDP、旅游需求实验证明其显著优于不协调预测。
2023-10-27 stat.AP stat.CO stat.ME
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
End-to-end probabilistic hierarchical forecasting of large hierarchies via probabilistic top-down
SUPSI, Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)(瑞士应用科学与艺术大学,达勒·莫莱人工智能研究学院)
提出e2eTD方法,仅预测少量聚合序列,通过概率自上而下采样传播到底层,实现大规模层次时间序列的快速、可扩展概率一致预测,在M5和Favorita数据集上取得最优加权缩放分位数损失。
2026-07-31 stat.AP stat.ME
Multivariate reconciliation for hierarchical time series
Federal University of Bahia(巴伊亚联邦大学);Secretary of Health of the State of Bahia(巴伊亚州卫生部);Monash University(莫纳什大学);University of Pretoria(比勒陀利亚大学)
本文提出了一种多变量重新协调方法,用于确保层级时间序列的预测一致性,并考虑变量间的关系。通过数值模拟和实际数据验证,该方法在模拟数据和实际应用中均优于传统方法。
2026-05-18 stat.AP stat.ME
Hierarchical forecasting: The role of information
Monash University(莫纳什大学)
本文提出信息组合(IComb)方法,通过结合不同信息集的基础预测来改进分层时间序列预测,并证明信息组合与聚合约束对预测改进的独立贡献。
2026-05-28 stat.CO stat.ME
Forecast combination based forecast reconciliation: insights and extensions
在最近的一篇论文中,在阐明预测组合和横截面预测协调之间的联系的同时,Hollyman等人(2021)提出了一种基于预测组合的方法来协调简单的层次结构。一个新的水平条件相干(LCC)点预测和解程序的开发,它表明,一组LCC的简单平均,自下而上的和解预测(称为组合条件相干,CCC)的结果在良好的性能相比,通过国家的最先进的横截面和解程序。在本文中,我们沿着一些新的方向建立和扩展这一建议。(1)我们揭示了LCC和解公式的性质和数学推导,表明它是一个外生线性约束的二次损失函数的最小化的结果,在目标和基础预测与对角关联矩阵之间的差异。(2)内生约束也可以考虑,导致所有相关序列的水平条件调和预测,其中上部和下部时间序列都被一致地修正。(3)由于LCC程序不保证非负的调和预测,我们认为,当非负是一个自然属性的变量进行预测-其解释为一个公正的自上而下的和解程序留下了一些疑问。(4)新的程序中使用的经典澳大利亚旅游需求(游客夜)数据集的预测实验。由于用于计算基本预测的(可能不同的)模型所发挥的关键作用,我们将Hollyman et al.(2021)的CCC调和重新解释为预测池方法,表明采用简单的预测平均策略可以提高准确性。
2021-06-10 stat.AP
Hierarchically Coherent Multivariate Mixture Networks
Carnegie Mellon University(卡内基梅隆大学);Nixtla
本研究提出一种分层一致的多元混合网络,通过复合似然目标优化神经预测架构,在保持计算效率的同时实现跨层次一致的概率预测,平均准确率提升13.2%。
2023-10-16 cs.LG stat.ME stat.ML
Forecasting under model uncertainty:Non-homogeneous hidden Markov models with Polya-Gamma data augmentation
本文研究了两状态非齐次隐马尔可夫模型(NHHMM)对单变量时间序列的预测。给定一组预测因子,时间序列通过具有状态相关系数和时变转移概率的预测回归来建模,所述时变转移概率通过逻辑函数依赖于预测因子。在隐马尔可夫设置中,逻辑斯谛回归系数的推断变得复杂,并且在某些情况下由于收敛问题而不可能。在本文中,我们的目标是解决这个问题,使用一个新的潜变量计划,利用Pólya-Gamma类的分布。我们允许模型的不确定性的预测,影响系列线性-在平均值-和非线性-在过渡矩阵。预测器的选择和推断的模型参数的基础上的MCMC计划与可逆的跳跃步骤。单步和多步预测是通过最可能的模型,中位数概率模型或贝叶斯模型平均方法获得的。使用模拟实验,我们说明了我们的算法在各种设置的性能,在混合属性,模型选择和预测能力。对已实现波动率数据的实证研究表明,我们的方法提供了改进的预测相比,基准模型。
2019-07-30 stat.ME
CoRe: Coherency Regularization for Hierarchical Time Series
MIT(麻省理工学院);IBM Research(IBM研究院)
本文提出CoRe方法,通过神经网络正则化实现层次时间序列的软相干性预测,在噪声数据下保持准确性并提升泛化能力。
2025-02-21 cs.LG stat.ML
FoReco and FoRecoML: A Unified Toolbox for Forecast Reconciliation in R
University of Padova(帕多瓦大学);ESSEC Business School(ESSEC高等商学院);Maastricht University(马斯特里赫特大学)
本文提出FoReco和FoRecoML两个R包,提供统一框架,支持横截面、时间序列和跨时间序列的预测协调方法,兼顾易用性和灵活性。
2026-06-26 stat.AP stat.CO stat.ML
Spatiotemporal Modeling and Forecasting at Scale with Dynamic Generalized Linear Models
针对时空数据的传感器噪声、非均匀采样等挑战,提出用动态广义线性模型(DGLMs)建模空间单元占用计数,兼具鲁棒性与线性扩展性,在多分辨率、多预测时长下预测准确,可支撑多种下游应用。
2024-10-09 stat.AP stat.ME
A Forecast Combination Framework for Hierarchical and Grouped Time Series Reconciliation
Beihang University(北京航空航天大学);Tsinghua University(清华大学);Saïd Business School, University of Oxford(牛津大学赛德商学院)
该研究提出用于分层与分组时间序列协调的预测组合框架,将预测组合与协调关联,证明MinT协调等价于最优预测组合,提出模块化惩罚框架,该框架实用且可提升预测准确性。
2026-08-18 stat.ME
Discrete forecast reconciliation
针对离散值(含低计数)分层时间序列预测的协调问题,本文提出基于二次规划求解指派问题的框架与两种离散算法,经仿真和实证验证其预测精度优于基准方法。
2024-04-15 stat.ME
Nonlinear Probabilistic Forecast Reconciliation
SUPSI, Institute for Applied Sustainability in the Built Environment(应用建筑环境可持续发展研究所);IDSIA (USI-SUPSI), Dalle Molle Institute for Artifical Intelligence(达勒莫勒人工智能研究所)
本文首次提出处理非线性约束的概率预测协调方法,通过投影和条件化两种方法提升预测准确性,UKF方法在速度和性能上表现最佳。
2026-09-18 stat.ME
You May Not Need Order in Time Series Forecasting
UC Santa Barbara(加州大学圣巴巴拉分校);Brown University(布朗大学);UC Los Angeles(加州大学洛杉矶分校);Columbia University(哥伦比亚大学)
有限数据的时间序列预测是一项具有挑战性的关键任务。虽然Transformers在时间序列预测中取得了优异的性能,但由于大量的可训练参数,它们通常需要许多训练样本。在本文中,我们提出了一种Transformers的训练技术,通过随机采样准备训练窗口。由于输入时间步长不需要是连续的,因此不同样本的数量从线性增加到组合地增加。通过打破时间顺序,这种技术还有助于Transformers以更细的粒度捕获时间步长之间的依赖关系。与现实世界数据集上的最先进技术相比,我们取得了具有竞争力的结果。
2019-10-21 cs.LG stat.ML
Probabilistic forecasting of weather-driven faults in electricity networks: a flexible approach for extreme and non-extreme events
School of Mathematics and Statistics, University of Glasgow(格拉斯哥大学数学与统计学院)
本文提出一种灵活的概率方法,用于预测天气驱动的电力网络故障,通过线性插值和广义帕累托分布分别建模非极端和极端事件,提升预测可靠性与实用性。
2026-03-02 stat.AP
Prediction of hierarchical time series using structured regularization and its application to artificial neural networks
University of Tsukuba(筑波大学);Fujitsu Laboratories Ltd.(富士通实验室有限公司)
本文讨论了层次时间序列的预测,其中每个上层时间序列是通过求和适当的下层时间序列计算的。对这种层次时间序列的预测应该是一致的,这意味着对上层时间序列的预测等于对相应下层时间序列的预测之和。以前的方法,使连贯的预测包括两个阶段:第一计算基础(不连贯)的预测,然后调和这些预测的基础上,其固有的层次结构。为了改善时间序列预测,我们提出了一种结构化正则化方法,同时完成这两个阶段。该方法基于底层时间序列的预测模型,并使用结构化正则化项将上层预测纳入预测模型。我们还开发了一个反向传播算法专门应用我们的方法,人工神经网络的时间序列预测。使用合成和真实世界的数据集的实验结果表明,我们的方法在预测精度和计算效率方面的优越性。
2020-07-30 cs.LG stat.ML
Multiscale Influenza Forecasting
美国的流感预测是复杂和具有挑战性的,原因包括大量的空间和时间变异性,嵌套的预测兴趣的地理尺度,和异构的监测参与。在这里,我们提出了一个灵活的流感预测模型称为但丁,多尺度流感预测模型,学习,而不是规定的空间,时间和监测数据结构。卫生与公众服务部(HHS)区域和国家尺度的预测是由州预测与美国人口普查人口估计成比例的权重的线性组合生成的,从而在嵌套的地理尺度上产生连贯的预测。我们回顾性地比较了Dante对美国2012年至2017年流感季节的州、地区和国家规模的短期和季节性预测与领先的流感预测模型动态贝叶斯模型(DBM)。Dante在几乎所有的空间单位、流感季节、地理尺度和预测目标方面都优于DBM。性能的改善是由于Dante做出的预测,特别是短期预测,比DBM更自信和准确,这表明Dante改进的预测分数也将转化为对公共卫生部门更有用的预测。Dante参加了由疾病控制和预防中心主办的2018/19年度FluSight挑战赛,并在全国和地区比赛以及州比赛中名列第一。支撑Dante的方法可用于存在感兴趣的嵌套地理尺度的其他疾病预测环境。
2019-09-30 stat.AP
Probabilistic forecast reconciliation under the Gaussian framework
多变量时间序列的预测协调是将一组不相关的预测映射为相关的预测以满足给定的一组线性约束的过程。常用的基于投影矩阵的点预测调和方法是OLS(普通最小二乘)、WLS(加权最小二乘)和MinT(最小迹)。即使点预测和解是一个成熟的研究领域,文献生成概率预测线性约束是有限的。可用的方法遵循两步程序。首先,它从拟合到集合中每个系列的单变量模型中绘制未来样本路径(这些模型是不相干的)。其次,它使用基于投影矩阵的方法或基于经验copula的重新排序方法来考虑同期相关性和线性约束。通过优化评分规则(如能量或变差函数评分)或简单地使用为点预测调和导出的投影矩阵来估计投影矩阵。本文证明了:(a)如果非相干预测分布为高斯分布,则MinT最小化对数评分规则;(b)MinT对每个边缘预测密度的对数评分小于OLS的对数评分。我们使用一组模拟研究显示这些理论结果。我们还使用澳大利亚国内旅游数据集对其进行评估。
2021-03-20 stat.ME
Comparison of Deep learning models on time series forecasting : a case study of Dissolved Oxygen Prediction
University of Pennsylvania(宾夕法尼亚大学)
最近,深度学习在序列学习领域取得了令人印象深刻的预测性能。溶解氧预测作为一种时间序列预测,适合于该技术。虽然许多研究者已经开发出基于深度学习技术的混合模型或变体模型,但目前还没有对该领域的深度学习模型进行全面、合理的比较。此外,以前的大多数研究都集中在使用小数据集进行一步预测。由于可以方便地获取高频数据,本文通过使用向前走验证来比较多步深度学习预测。具体来说,我们基于2012 - 2016年长江固定观测点自动记录的实时数据,对卷积神经网络(CNN)、时间卷积网络(TCN)、长短期记忆(LSTM)、门控递归单元(GRU)、双向递归神经网络(BiRNN)进行了测试。通过比较各时间步的均方根误差(RMSE)、平均绝对误差(MAE)和决定系数的平均累积统计度量,发现对于多步时间序列预测,各时间步的平均性能并不是线性下降的。GRU优于其他型号,具有显著优势。
2019-11-21 cs.LG eess.SP stat.AP
Forecasting High Dimensional Time Series with Dynamic Dimension Reduction
Universidad Carlos III de Madrid(马德里卡洛斯三世大学);Universidad de Buenos Aires(布宜诺斯艾利斯大学)
针对现有降维技术无法解释时间序列动态依赖的问题,提出集成动态降维与正则化的高维时间序列预测通用框架,涵盖多种经典方法并首次引入两类时域分析特例,经模拟与经济数据集验证有效。
2025-09-23 math.ST stat.ME stat.TH
DoFlow: Flow-based Generative Models for Interventional and Counterfactual Forecasting on Time Series
H. Milton Stewart School of Industrial and Systems Engineering(H. Milton Stewart工业与系统工程学院);Georgia Institute of Technology(佐治亚理工学院);Northwestern–Argonne Institute for Scientific and Engineering Excellence(西北-阿贡科学与工程卓越研究所)
DoFlow通过基于因果图的流模型实现时间序列的干预和反事实预测,并提供异常检测能力。
2026-03-01 cs.LG stat.ME stat.ML
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
Robust optimal reconciliation for hierarchical time series forecasting with M-estimation
School of Economics and Management, Beihang University(北京航空航天大学经济管理学院);Data Management Department, Industrial and Commercial Bank of China Limited(中国工商银行股份有限公司数据管理部);MOE Key Laboratory of Complex System Analysis and Management Decision, Beihang University(北京航空航天大学复杂系统分析与管理决策教育部重点实验室);Department of Mathematics, The University of Manchester(曼彻斯特大学数学系)
本文提出了一种基于M估计的鲁棒协调方法,用于改进分层时间序列预测中对异常值的鲁棒性,并通过实验证明其在处理异常情况和无异常情况下的有效性。
2026-02-26 stat.AP
Forecasting the Evolving Composition of Inbound Tourism Demand: A Bayesian Compositional Time Series Approach Using Platform Booking Data
Airbnb Inc.(爱彼迎公司)
本文提出一种贝叶斯组合时间序列方法,利用Airbnb数据预测入境旅游市场需求构成的变化,揭示疫情对市场构成的结构性影响,并展示该方法在复杂市场中的优越预测性能。
2026-06-27 q-fin.ST stat.AP
Efficient probabilistic reconciliation of forecasts for real-valued and count time series
IDSIA, Dalle Molle Institute for Artificial Intelligence(IDSIA,达莱·莫莱人工智能研究所);Department of Mathematics, University of Pavia(帕维亚大学数学系)
本文提出基于条件化的概率协调新方法,并引入自下而上重要性采样算法,适用于任意分布,显著加速并提升分层时间序列预测的一致性。
2023-10-12 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
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
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
Thick as THieFs: Temporal coherent forecast combination for day-ahead electricity prices
University of Padua(帕多瓦大学)
针对日前电价预测中不同粒度预测不连贯及单一模型非全优的问题,开发时间相干组合方法,汇集多级别预测,经多种估计器比较,用四类模型基础预测验证,该组合预测在各时间级别表现出色。
2026-07-27 stat.AP stat.ME
NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates
NVIDIA(英伟达)
该研究提出模型无关的NVExplain框架,通过潜在轨迹分析与结构保持替代模型,提升时间序列预测解释的忠实性与效率,解释具鲁棒性。
2026-08-27 cs.AI cs.LG stat.ML
HARNet: A Convolutional Neural Network for Realized Volatility Forecasting
尽管深度神经网络在许多应用领域取得了令人印象深刻的成功,但迄今为止,神经网络模型尚未在波动性预测方面得到广泛采用。在这项工作中,我们的目标是弥合已建立的时间序列方法(如异质自回归(HAR)模型)和最先进的深度神经网络模型之间的概念差距。新引入的HARNet基于一个膨胀卷积层的层次结构,这有助于模型参数数量的模型感受野的指数增长。HARNet允许显式初始化方案,使得在优化之前,HARNet产生与相应基线HAR模型相同的预测。特别是当考虑QLIKE误差作为损失函数时,我们发现这种方法显着稳定了HARNets的优化。我们评估的性能HARNets相对于三个不同的股票市场指数。基于此评估,我们制定了明确的指导方针,优化HARNets,并表明HARNets可以大大提高其各自的HAR基线模型的预测精度。在对HARNet学习的滤波器权重的定性分析中,我们报告了关于过去信息的预测能力的清晰模式。在前一周、昨天和前天的信息中,昨天的波动对今天的已实现波动预测的贡献最大。然而,在过去的一个月里,随着时间的推移,单周的重要性几乎呈线性下降。
2022-05-16 econ.EM stat.ML
A Dirichlet-Multinomial-Poisson framework for the coherent analysis and forecast of cause-specific mortality
University of Foggia(福贾大学);Macquarie University(麦考瑞大学);UNSW Sydney(新南威尔士大学悉尼分校)
本文提出一种狄利克雷-多项式-泊松框架,用于一致分析和预测特定原因死亡率,通过建模总死亡数和各原因死亡数的随机性,提高预测准确性与一致性。
2026-03-01 stat.AP stat.ME
Insights into regression-based cross-temporal forecast reconciliation
本文研究跨时间预测协调中顺序、迭代与最优组合方法的等价及收敛关系,并通过光伏发电预测实验验证其精度与高维计算效率。
2024-10-25 stat.AP stat.CO stat.ME
Optimal reconciliation with immutable forecasts
层次预测中的一致性预测的实际重要性激发了许多关于预测协调的研究。根据这一方法,为层次结构中的每一个系列编制所谓的基本预测,随后在第二个调节步骤中进行调整,使之保持一致。调节方法已被证明可以提高预测的准确性,但通常会调整每个系列的基本预测。然而,在业务背景下,有时有必要或有益的是,在预测调节后保持某些变量的预测不变。在本文中,我们制定和解方法,保持预测的一个预先指定的变量子集不变或“不变”。与现有的方法相比,这些不变的预测不需要都来自同一层次结构,我们的方法也可以应用于分组层次结构。我们证明,我们的方法保留了无偏的基础预测。我们的方法还可以考虑基本预测误差之间的相关性,并确保预测的非负性。我们还进行了实证实验,包括一个大型在线零售商的销售应用程序,以评估我们提出的方法的影响。
2022-04-20 econ.EM stat.ME stat.ML
Fully reconciled GDP forecasts from Income and Expenditure sides
我们提出了一个完整的调节程序,导致GDP数字的“一个数字预测”,与收入和支出双方的预测系列一致,并评估其在澳大利亚季度GDP系列上的表现,与Athanasopoulos等人的原始提议相比。
2020-05-10 stat.ME
Hedging Forecast Combinations With an Application to the Random Forest
本文提出一种基于均值-方差投资组合类比的高层预测组合方法,允许负权重以对冲估计风险,并在14个数据集上验证了其改进加权随机森林样本外性能的有效性。
2023-08-31 q-fin.PM stat.ME
Reconciliation of probabilistic forecasts with an application to wind power
提出了新的方法来调整概率预测,以确保与时间层次结构中固有的聚合约束的一致性。嵌套在这个框架中的不同方法包括利用层次结构的所有级别的信息的方法,以及基于交叉验证的新方法。该方法进行评估,使用真实的数据从两个风电场在克里特岛,应用程序,它是必要的最佳决策相关的电网运营和投标策略的基础上连贯的概率预测的风力发电。经验证据也表明,概率预测和解提高点预测和概率预测的准确性。
2018-08-08 stat.ME
Bayesian Ensembles of Binary-Event Forecasts: When Is It Appropriate to Extremize or Anti-Extremize?
许多组织面临着依赖于二元事件预测的关键决策。在这些情况下,组织通常从多个专家或模型收集预测,并对这些预测进行平均,以生成单个聚合预测。由于平均预测是不可靠的,因此已经提出了创建比平均预测更极端的聚合预测的方法。但是,将平均预测极端化总是合适的吗?如果不是,什么时候反极端化是合适的(即,使总体预测不那么极端)?为了回答这些问题,我们引入了一类最优聚合器。这些聚合器是贝叶斯集成,因为它们遵循专家所拥有的基础信息的贝叶斯模型。每个集成是专家概率的广义可加模型,该模型首先将专家的概率转换成其相应的信息状态,然后将这些信息状态线性组合,最后将组合的信息状态转换回概率空间。从分析上讲,我们发现这些最佳聚合器并不总是使平均预测极值化,当它们这样做时,它们可能与现有方法背道而驰。在两个公开的数据集上,我们证明了这些新的集成很容易拟合到真实的预测数据,并且比现有的方法更准确。
2018-04-11 stat.ME
Bayesian Forecasting in Economics and Finance: A Modern Review
本综述系统回顾了贝叶斯统计范式在经济学与金融学概率预测中的应用,阐述了如何通过积分量化未知量不确定性,并介绍了现代贝叶斯计算方法及实施细节。
2023-07-29 econ.EM stat.AP stat.ME
Enhancing Forecasts Using Real-Time Data Flow and Hierarchical Forecast Reconciliation, with Applications to the Energy Sector
本研究提出一种结合实时数据的分层预测更新框架,通过拓展分层预测调和处理部分观测数据,经模拟实验和能源领域两个案例验证,其预测精度与一致性均优于未更新的基础模型,可提升决策准确性。
2024-11-03 stat.ME
Multipopulation mortality modelling and forecasting: The multivariate functional principal component with time weightings approaches
本文提出两种基于多元函数主成分分析的多人口死亡率联合建模与预测新模型,利用多国性别数据验证表明,所提协同建模方法在预测精度和性质上均优于现有模型。
2021-02-18 stat.AP stat.ME stat.ML
Uncertainty Quantification in Forecast Comparisons
University of Wuppertal(伍珀塔尔大学);Heidelberg Institute for Theoretical Studies(海德堡理论研究所);Goethe University Frankfurt, Faculty of Economics and Business(法兰克福歌德大学经济与商业学院);Marburg University, Department of Mathematics and Computer Science(马尔堡大学数学与计算机系)
针对预测评估中多维比较的不确定性量化缺失,提出同时置信带方法,适用于多种预测类型,并验证其有效性及实际应用价值。
2026-10-02 econ.EM physics.ao-ph stat.ME