Role-Specific Predictive Geometries for Nonstationary Multivariate Graph-Signal Forecasting
School of Electrical and Electronic Engineering, Nanyang Technological University(南洋理工大学电气与电子工程学院)
针对非平稳多元图信号预测,提出角色特定预测几何,区分长期均衡与短期瞬态关系,实验验证其有效性并优于G-VARMA基线。
2026-09-09 cs.LG
Mitigating Exposure Bias in Risk-Aware Time Series Forecasting with Soft Tokens
School of Data Science, University of Virginia, Charlottesville, VA, USA(数据科学学院,弗吉尼亚大学,弗吉尼亚州夏洛特维尔)
SoTra通过软令牌缓解暴露偏差,提升风险感知时间序列预测的稳定性与准确性,减少临床风险15-18%。
2025-12-10 cs.LG
A Posterior-Predictive Variance Decomposition for Epistemic and Aleatoric Uncertainty in Wind Power Forecasting
School of Engineering, Deakin University(德肯大学工程学院);ARC Training Centre in Energy Technologies for Future Grids, School of Engineering, University of Wollongong(未来电网能源技术培训中心,沃林戈大学工程学院)
本文提出了一种后验预测方差分解方法,用于分离风力发电预测中的epistemic和aleatoric不确定性,通过总不确定性分解为aleatoric和epistemic组件,并提出特定于风力发电的评估框架来验证分解的有效性。
2026-05-21 cs.LG
Single State Update Predictive Coding training for Time Series Forecasting and Anomaly Detection
Ghent University(根特大学);imec
该研究针对预测编码网络的顺序反向误差传播瓶颈,提出并行训练生成式与编码式两类PCN的单状态更新训练技术,将其应用于时间序列异常检测,实现了更稳定连续的在线学习。
2026-08-26 cs.LG cs.NE
Universally consistent predictive distributions
本文描述了简单的普遍一致的概率预测程序,满足小样本有效性的自然属性,假设观测独立产生的IID时尚。
2017-08-30 cs.LG
Predictive Sampling with Forecasting Autoregressive Models
Qualcomm AI Research(高通AI研究院);Qualcomm Technologies Netherlands B.V.(高通荷兰技术有限公司);Qualcomm Technologies, Inc.(高通技术公司);University of Amsterdam(阿姆斯特丹大学)
自回归模型(ARMs)目前在图像和音频数据的基于似然的建模中具有最先进的性能。通常,基于神经网络的ARM被设计为允许快速推理,但是从这些模型中采样是不切实际的慢。在本文中,我们介绍了预测采样算法:一个程序,利用ARM的快速推理属性,以加快采样,同时保持模型的完整性。我们提出了两种变化的预测采样,即采样与ARM定点迭代和学习预测模块。它们的有效性在两种设置中得到了证明:i)在二进制MNIST,SVHN和CIFAR10上的显式似然建模,以及ii)在SVHN,CIFAR10和Imagenet32上训练的自动编码器中的离散潜在建模。从经验上讲,我们在ARM推理调用数量和采样速度方面比基线有了相当大的改进。
2020-07-08 cs.LG stat.ML
Predictive Uncertainty in Short-Term PV Forecasting under Missing Data: A Multiple Imputation Approach
SAP Labs France(SAP法国实验室);EURECOM
本文提出一种结合随机多重插补与Rubin规则的框架,用于将缺失数据不确定性纳入短期光伏预报,提升预测区间校准性。
2026-03-16 cs.LG stat.AP stat.ML
Signal Simplification Is Not Predictive Simplification: Diagnosing Residual Neural Forecasting in Short-Horizon Volatility
University of Maryland, College Park(马里兰大学帕克分校)
该研究通过信号-预测-系统诊断框架,发现短期波动率预测中统计残差简化(方差降低约82%)并不改善残差LSTM的预测精度(MSE从0.3049升至0.3594),揭示了预测器-预处理器不对称性。
2026-10-05 cs.LG
Preformer: Predictive Transformer with Multi-Scale Segment-wise Correlations for Long-Term Time Series Forecasting
Institute of Software Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学);Renmin University of China(中国人民大学)
基于变换的方法在长期时间序列预测中显示出巨大的潜力。然而,大多数这些方法采用标准的逐点自注意机制,这不仅变得难以长期预测,因为其复杂性随着时间序列的长度呈二次方增长,而且由于相应的键和值是从同一点转换而来的,因此无法显式地从上下文捕获预测依赖性。本文提出了一种基于transformer的预测模型{ \em Preformer}。Preformer引入了一种新的高效的{ \em Multi-Scale Segment-Correlation}机制,该机制将时间序列划分为多个段,并利用基于分段相关的注意力对时间序列进行编码。一个多尺度的结构,聚合在不同的时间尺度的依赖性,并促进段长度的选择。Preformer进一步设计了一个预测解码范例,其中键和值来自两个连续的段,而不是同一段。以这种方式,如果关键段与查询段具有高相关性得分,则其后续段对查询段的预测贡献更大。大量的实验表明,我们的Preformer优于其他基于transformer的方法。
2022-02-23 cs.LG stat.ML
Predictive Accuracy of a Hybrid Generalized Long Memory Model for Short Term Electricity Price Forecasting
Institute of High Commercial Studies of Sousse (IHEC)(苏塞高等商业学院(IHEC))
准确的电价预测是市场参与者的主要管理目标,因为它代表了市场参与者利润最大化的基本基础。然而,电力是一种不可储存的商品,电价受一些社会和自然因素的影响,这使得电价预测具有挑战性。本研究探讨了一种新的混合模型的预测性能的基础上的广义长记忆自回归模型(k因子GARMA),Gegenbauer广义自回归条件异方差(G-GARCH)过程,小波分解,局部线性小波神经网络(LLWNN)优化使用两种不同的学习算法,反向传播算法(BP)和粒子群优化算法(PSO)。所提出的模型的性能进行评估使用的数据从北池电力市场。此外,它与其他一些参数和非参数模型进行了比较,以证明其鲁棒性。实验结果表明,该方法的性能优于其他竞争技术。
2022-04-18 cs.LG q-fin.ST
Which Histories Matter for Time Series Forecasting? Learning Predictive Relevance with Future Supervision
Kwangwoon University(光云大学)
该研究针对时间序列预测的历史检索问题,提出基于未来监督的预测相关性重排序方法,在多基准任务中优于SARAF等检索规则,揭示历史相关性具结构化和领域依赖性。
2026-09-29 cs.IR cs.LG
Accurate and Reliable Forecasting using Stochastic Differential Equations
Tsinghua University(清华大学);RealAI(瑞莱智慧)
对于深度学习模型来说,正确地描述现实环境中普遍存在的不确定性是至关重要的,但也是具有挑战性的。虽然已经做了很多努力,如异方差神经网络(HNN),很少的工作已经表现出令人满意的实用性,由于不同程度的妥协的学习效率,质量的不确定性估计,和预测性能。此外,现有的HNN通常无法构建预测及其相关不确定性之间的显式相互作用。本文旨在通过开发SDE-HNN来解决这些问题,SDE-HNN是一种新的异方差神经网络,配备了随机微分方程(SDE)来表征HNN的预测均值和方差之间的相互作用,以实现准确可靠的回归。在理论上,我们证明了所设计的神经网络解的存在唯一性。此外,基于偏置-方差权衡的SDE-HNN的优化,我们设计了一个增强的数值求解器,以提高学习的稳定性。最后,为了更系统地评估预测不确定性,我们提出了两个新的诊断不确定性度量。在具有挑战性的数据集上进行的实验表明,我们的方法在预测性能和不确定性量化方面都显着优于最先进的基线,提供了校准良好的预测区间。
2021-03-28 cs.LG
Machine Learning vs Statistical Methods for Time Series Forecasting: Size Matters
INESC TEC(INESC技术研究所);University of Porto(波尔图大学);Dalhousie University(达尔豪斯大学)
时间序列预测是当前最活跃的研究课题之一。机器学习方法已经越来越多地被采用来解决这些预测任务。然而,在最近的一项工作中,这些方法被证明系统地呈现出相对于简单统计方法较低的预测性能。在这项工作中,我们反对这些结果。我们表明,这些都是有效的,只有在一个非常低的样本量。使用学习曲线方法,我们的研究结果表明,随着样本量的增长,机器学习方法提高了它们的相对预测性能。复制实验的代码可在https://github.com/vcerqueira/MLforForecasting上获得。
2019-09-29 cs.LG stat.ML
Forecasting Individual NetFlows using a Predictive Masked Graph Autoencoder
Department of Computer Architecture(计算机架构系);Universitat Politècnica de Catalunya(加泰罗尼亚理工大学)
本文提出了一种图神经网络模型,通过准确建模图结构和连接特征来预测网络流级流量。采用滑动窗口将异构双向图划分为等大小的网络流量,利用GNN建模图结构和连接特征,实验表明在识别端口和IP时表现优异,特征重建与强预测基线相当。
2026-09-17 cs.LG cs.NI
Evaluating Forecasting Techniques for Hardware Errors on a Large-scale HPC System
University of California, Davis(加州大学戴维斯分校);Argonne National Laboratory(阿贡国家实验室);Rensselaer Polytechnic Institute(伦斯勒理工学院)
本研究基于Theta超级计算机7年生产日志,评估经典统计与深度学习模型对HPC硬件错误的预测效能,明确不同时间结构错误的预测可行性,为相关分析提供实证指导。
2026-08-04 cs.LG
A Distribution-to-Distribution Neural Probabilistic Forecasting Framework for Dynamical Systems
Durham University(杜伦大学);East China University of Science and Technology(华东理工大学);The London School of Economics and Political Science(伦敦政治经济学院)
本文提出一种直接操作预测分布的神经概率预测框架,通过分布编码解码结构实现预测不确定性递归传播,展示了在洛伦兹63混沌系统中的有效性。
2026-10-16 cs.LG stat.ML
Channel-aware Contrastive Conditional Diffusion for Multivariate Probabilistic Time Series Forecasting
Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));University of Alberta(阿尔伯塔大学)
本文提出通道感知对比条件扩散模型CCDM,通过通道中心去噪网络和基于去噪的时间对比学习提升多元概率时间序列预测精度与泛化能力,在基准测试中优于现有扩散预测器。
2024-10-03 cs.LG
Predictive Modeling of Menstrual Cycle Length: A Time Series Forecasting Approach
Federal University of Semi-Arid Region(半干旱地区联邦大学)
该研究面向规律与不规律月经周期预测,比较多种时间序列机器学习算法并使用合成数据,验证了准确预测周期开始时间与持续时间的可行性。
2023-06-11 cs.AI cs.LG
KReF: Training-Free Retrieval for Long-Term Time-Series Forecasting and Predictive Uncertainty
KReF是一种无训练检索框架,将历史未来作为查询的局部经验预测分布,在多数LTSF基准上取得了优于或匹配训练基线的预测性能,确立了检索作为LTSF的有效归纳偏置的价值。
2026-08-10 cs.AI cs.LG
Diffusion-Based Forecasting for Uncertainty-Aware Model Predictive Control
National Technical University of Athens(雅典国立技术大学);Athena Research Center(雅典娜研究中心)
针对部分可观测随机系统的不确定性感知决策问题,提出集成扩散时间序列预测的D-I MPC框架,在纽约州电力市场能量套利任务上显著优于经典预测与无模型强化学习基线。
2025-03-19 cs.AI cs.LG cs.SY
Bridging Deep Learning and Integer Linear Programming: A Predictive-to-Prescriptive Framework for Supply Chain Analytics
Tran Dai Nghia Secondary and High School(陈大义中学);University of Languages and International Studies(语言与国际研究大学)
本文提出结合预测与运营分析的三阶段框架,通过探索性数据分析、对比统计时间序列分解模型与深度学习架构的预测性能,并利用整数线性规划优化物流配送计划,以降低总配送时间。
2026-04-02 cs.LG
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
Predictive Analytics in E-Commerce for CustomerBehavior Forecasting using hybrid Ret-DNN withXGBoost Model
Chewy Inc(Chewy公司);Pace Institute of Technology and Atlanta, USA(佩斯理工学院和亚特兰大美国);Nitte Meenakshi Institute of Sciences(尼特梅恩克希科学学院);Lovely Professional University(洛丽专业大学);Infinity Tech Group(无限科技集团);University(大学)
提出混合Ret-DNN与XGBoost模型,通过特征提取和梯度提升预测客户购买概率,在UK零售数据集上MAE达0.2193。
2026-06-17 cs.LG
Hybrid Predictive Modeling of Malaria Incidence in the Amhara Region, Ethiopia: Integrating Multi-Output Regression and Time-Series Forecasting
Department of Computer Science, Injibara University(计算机科学系,因吉巴拉大学);Department of Software Engineering, Injibara University(软件工程系,因吉巴拉大学);Department of Information Technology, Injibara University(信息技术系,因吉巴拉大学);Department of Electrical/Electronic and Computer Engineering, Afe Babalola University(电子与计算机工程系,阿费·巴巴洛拉大学)
针对埃塞俄比亚阿姆哈拉地区疟疾传播难预测的问题,研究提出融合时间序列预测、多输出回归与传统回归的混合建模框架,利用环境、病例及人口数据训练,可同时预测多类结果,精度优于单一方法,能为疟疾防控的循证决策与资源优化提供支持。
2025-10-01 cs.LG q-bio.OT
VAEneu: A New Avenue for VAE Application on Probabilistic Forecasting
IAV GmbH(IAV有限公司);DFKI GmbH(德国人工智能研究中心);University of Kaiserslautern-Landau(凯泽斯劳滕-兰道大学)
提出条件VAE自回归方法VAEneu,以CRPS为损失优化预测似然下界,在12个数据集上超越12个基线,实现锐利且校准良好的单变量多步概率预测。
2024-05-07 cs.AI cs.LG
Forecasting Solar Power Generation on the basis of Predictive and Corrective Maintenance Activities
PDEU(PDEU大学)
太阳能预测在过去十年中有了巨大的增长,使用从气象站收集的历史时间序列,如天气变量风速和风向,太阳辐射和温度。它有助于太阳能发电厂的整体管理。然而,太阳能发电厂定期需要预防性和纠正性维护活动,这进一步影响了能源生产。本文提出了一种新的工作预测太阳能发电的能源生产的基础上,维护活动,在发电厂观察到的问题,和天气数据。这些结果是在从PDEU(我校)的1MW太阳能发电厂获得的数据集上完成的,该数据集从2012年到2020年每天生成13列数据。有12个结构化列和一个非结构化列,其中包含关于不同维护活动、观察到的问题和每日天气状况的手动文本条目。非结构化列用于使用Hash Map、标志词和停止词创建新的特征列向量。最终数据集包括基于相关性和因果关系分析的五个重要特征向量列。
2022-05-17 cs.AI cs.LG eess.SP
Quantifying Protocol-Induced Uncertainty in Comparative Predictive-Model Evaluation: Evidence from Large-Scale Daily PM10 Forecasting
Eastern University(东方大学)
本研究量化了预测模型评估中协议切换引发的排名不确定性,提出PSS框架,通过大规模PM10预报实验证明协议间位移远超协议内扰动,建议报告排名稳定性。
2026-09-23 cs.LG
Does Joint-Embedding Predictive Architecture Pretraining Help Time Series Forecasting?
本研究大规模评估JEPA预训练在九种骨干网络和十一个基准上的效果,发现其收益因架构而异,既有增益也有退化,表明该变异性是普遍属性,选择骨干网络时需考虑。
2026-09-29 cs.AI cs.LG stat.ML
FMamba: Mamba based on Fast-attention for Multivariate Time-series Forecasting
Institute of Advanced Technology, USTC(中国科学技术大学先进技术研究院);Department of Automation, USTC(中国科学技术大学自动化系);Institute of Artificial Intelligence, Hefei Comprehensive National Science Center(合肥综合性国家科学中心人工智能研究院)
针对多元时间序列预测中Mamba模型无法关注变量间关系的问题,提出结合fast-attention与Mamba的FMamba框架,在保持低计算开销的同时实现了最先进的预测性能。
2024-07-20 cs.LG
Comparative Analysis of Time Series Foundation Models for Demographic Forecasting: Enhancing Predictive Accuracy in US Population Dynamics
本研究比较了TimesFM与LSTM、ARIMA和线性回归在美国人口预测中的表现,发现TimesFM在86.67%的测试用例中均方误差最低,尤其在历史数据稀疏的少数族裔人口上优势明显,表明预训练基础模型可有效提升人口预测精度并支持政策决策。
2025-08-19 cs.AI cs.LG
TimeCapsule: Solving the Jigsaw Puzzle of Long-Term Time Series Forecasting with Compressed Predictive Representations
Hefei Institutes of Physical Science(合肥物理科学研究院);University of Science and Technology of China(中国科学技术大学)
TimeCapsule通过统一冗余减少和多尺度建模思想,将时间序列建模为3D张量并采用模式乘积压缩,结合JEPA内部预测,在LTSF基准上实现最先进性能。
2025-05-23 cs.AI cs.LG eess.SP
Actor-Enriched Time Series Forecasting of Process Performance
Research Centre for Information Systems Engineering, KU Leuven, Belgium(信息系统工程研究中心,KU Leuven,比利时);The University of Melbourne, Australia(墨尔本大学,澳大利亚)
本研究将参与者行为建模为时间序列特征,融入吞吐时间预测模型,实验证明能显著提升预测性能。
2025-10-13 cs.LG
Short-Term Electricity Load Forecasting Using the Temporal Fusion Transformer: Effect of Grid Hierarchies and Data Sources
University of Bamberg(班贝格大学)
本文研究了Temporal Fusion Transformer在不同时间范围和电网层级进行短期电力负荷预测的潜力,发现其在变电站层级日前预测和周前预测中显著优于LSTM模型。
2023-05-17 cs.LG
Deconfounded Time Series Forecasting: A Causal Inference Approach
本文提出一种融合潜在混杂因素的时间序列预测方法,通过引入历史数据中的混杂因素表示,提升预测准确性和鲁棒性,在气候科学数据中验证了其有效性。
2026-03-16 cs.AI cs.LG
Dynamic Measurement Scheduling for Event Forecasting using Deep RL
University of Toronto(多伦多大学);Vector Institute(向量研究所);The Hospital for Sick Children(病童医院)
想象一个情况危急的病人。在预算限制下,应该测量什么以及什么时候来预测有害事件?我们通过深度强化学习(RL)来回答这个问题,通过安排战略定时测量,联合最小化测量成本并最大化预测增益。我们了解到我们的策略动态地依赖于患者的健康史。为了将我们的框架扩展到指数级大的动作空间,我们将奖励分配到一个顺序设置中,使学习更容易。在我们的模拟中,我们的政策优于基于启发式的调度具有更高的预测增益和更低的成本。在现实世界的ICU死亡率预测任务(MIMIC 3)中,我们的政策减少了$31\%$的测量总数或提高预测增益的一个因素,$3$相比,医生,在政策外的政策评估。
2019-06-07 cs.LG stat.ML
Adaptive Multi-Scale Forecasting and Gate-Localized Conformal Prediction for Multivariate Nonstationary Time Series
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
针对多元非平稳时间序列预测与不确定性量化问题,提出ABF-T-GLCP框架,通过学习自适应预测状态表示,结合预测与共形校准模块,实验表明该框架能提升预测准确性、缩小区间,且应用范围广。
2026-07-28 cs.LG stat.AP stat.ME
Attention-Based Ensemble Pooling for Time Series Forecasting
University of Maryland(马里兰大学)
提出基于注意力的集成池化模型,通过学习权重对候选预测进行加权平均,在非平稳 Lorenz `63 方程预测中表现优异,但在 COVID-19 死亡预测中未持续超越现有方法。
2023-10-24 cs.LG nlin.CD
Diffusion-Based Rollouts as a Stabilization Mechanism for Long-Horizon Environmental Forecasting
University of California Irvine(加州大学尔湾分校);San Diego State University(圣地亚哥州立大学);University of Oklahoma(俄克拉荷马大学);NSF AI Institute for Research on Trustworthy AI in Weather, Climate, and Coastal Oceanography(NSF可信AI天气、气候与海岸海洋研究所)
本研究探讨扩散模型作为递归环境预报的稳定机制,发现其能抑制误差增长,但实际效益取决于预测信息的可用性。
2026-09-29 cs.AI cs.LG
Predictive Patentomics: Forecasting Innovation Success and Valuation with ChatGPT
Pace Academy(佩斯学院)
本文利用ChatGPT的文本嵌入构建深度学习模型预测专利价值与接受率,实现R平方提升24%、估值修正中位偏差1.5倍,并基于预测构建多空组合获得年化3.3%异常收益,为初创企业专利决策提供新工具。
2023-06-22 cs.AI cs.CL cs.DL
Next-Generation Conflict Forecasting: Unleashing Predictive Patterns through Spatiotemporal Learning
PRIO – Oslo(挪威和平研究所)
本研究提出一种基于蒙特卡洛Dropout LSTM U-Net的神经网络架构,用于在国家以下级别提前36个月预测三类暴力冲突,实现最先进性能并量化不确定性,为早期预警和和平建设提供支持。
2025-06-08 cs.AI cs.CY cs.LG
Beyond MSE: Rethinking the Evaluation Metric and Benchmarking for Irregular Time Series Forecasting
College of Computer Science and Electronic Engineering, Hunan University(湖南大学计算机与通信学院)
本文针对不规则时间序列预测中MSE评估存在偏差的问题,提出CSE指标并构建多类型数据集基准,验证其能更准确评估模型连续时间预测性能。
2026-08-19 cs.AI cs.LG
LaT-PFN: A Joint Embedding Predictive Architecture for In-context Time-series Forecasting
WAIR, Amsterdam(阿姆斯特丹WAIR公司)
LaT-PFN 结合 PFN 与 JEPA 框架,在潜在空间进行上下文学习,利用相关序列和归一化时间轴实现零样本时间序列预测,优于基线并产生信息丰富的嵌入。
2024-05-22 cs.AI cs.LG stat.ML
Model Compression for Dynamic Forecast Combination
Dalhousie University(达尔豪斯大学);Fraunhofer AICOS Portugal(弗劳恩霍夫AICOS葡萄牙研究所);INESC TEC;University of Porto(波尔图大学);Télécom ParisTech(巴黎高等电信学校);University of Waikato(怀卡托大学)
组合几种不同预测模型的预测优势已被广泛接受。特别是在时间序列预测问题中,这种组合通常是动态的,以应对数据中存在的潜在非平稳变化源。尽管集成方法具有优越的预测性能,但它们存在两个主要限制:高计算成本和缺乏透明度。这些问题往往妨碍采用这种办法,而采用更简单但更有效和可靠的办法。在本文中,我们利用模型压缩的想法来解决这个问题,在时间序列预测任务。模型压缩方法在预测中大多未被探索。由于数据的演变性质,将其应用于时间序列具有挑战性。此外,虽然文献集中在神经网络,我们将模型压缩应用于不同类型的方法。在一组广泛的实验中,我们表明,压缩动态预测集成到一个单独的模型导致可比的预测性能和大幅降低计算成本。此外,具有最佳平均秩的压缩个体模型是基于规则的回归模型。因此,模型压缩还导致模型可解释性方面的益处。本文所做的实验是完全可重复的。
2021-04-05 cs.LG stat.ML
RUL forecasting for wind turbine predictive maintenance based on deep learning
Beihang University(北京航空航天大学)
提出基于多参数注意力深度学习的ForeNet-2d和ForeNet-3d模型,实现2周窗口内风力发电机RUL预测,解决偏远风电场维护计划超前时间不足问题。
2024-12-09 cs.AI cs.LG cs.SY
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
DCHO: A Decomposition-Composition Framework for Predicting Higher-Order Brain Connectivity to Enhance Diverse Downstream Applications
DCHO通过分解-组合框架预测高阶脑连接,提升状态分类和脑动态预测的性能。
2025-12-29 cs.LG q-bio.NC
Algometrics: Forecasting Under Algorithmic Feedback
University of Oxford(牛津大学)
提出算法度量框架,研究预测算法影响自身评估数据的反馈机制,证明部署风险不可仅由历史数据识别,并给出估计方法。
2026-05-13 cs.LG econ.EM q-fin.ST
Beyond Point Forecasts: A Survey on Probabilistic Forecasting for Time Series and Spatiotemporal Data
Sorbonne University Abu Dhabi(阿布扎比索邦大学);Sorbonne Université(索邦大学)
本综述统一了概率预测方法论,通过跨范式实证研究揭示不同不确定性量化范式的适用性,并指出未来挑战。
2026-09-15 cs.LG econ.EM stat.AP
Impact of data for forecasting on performance of model predictive control in buildings with smart energy storage
University of Cambridge(剑桥大学);The Alan Turing Institute(图灵研究所);University of Surrey(萨里大学)
本研究通过模拟案例评估了多种机器学习预测模型在多建筑MPC中的表现,发现简单线性多层感知机模型在精度、数据效率和泛化性上与先进模型相当,且通过变化点分析筛选数据可同时提升精度与效率,表明无需前期数据收集即可经济地部署MPC系统。
2024-07-31 cs.LG cs.SY eess.SY
SPACE: Sample-cloud Predictive Adaptive Conformal Ellipsoids for Multivariate Time-Series Forecasting
Asian Institute of Digital Finance, National University of Singapore(新加坡国立大学亚洲数字金融研究院);National University of Singapore(新加坡国立大学)
针对现有多变量共形预测方法易受陈旧状态污染的问题,提出共形包装器SPACE,通过当前预测样本云估计协方差几何并动态选回溯窗口校准区域,提升了预测覆盖的准确性与效率。
2026-08-19 cs.AI cs.LG stat.ML
Temporal Predictive Multiplicity: Equally Accurate Time Series Models Yield Different Forecast Trajectories
J.P. Morgan AI Research(摩根大通人工智能研究院);Imperial College London(伦敦帝国理工学院)
本研究提出时间预测多重性框架,揭示同等准确的时间序列模型在完整预测轨迹上存在显著分歧,且与逐时域分歧无关,对下游决策有重要影响。
2026-10-08 cs.AI cs.LG
LLM-as-a-Prophet: Understanding Predictive Intelligence with Prophet Arena
University of Southern California(南加州大学);Meta;The University of Chicago(芝加哥大学);New York University(纽约大学)
本文通过Prophet Arena评估了LLMs在预测任务中的表现,揭示了其预测能力及存在的瓶颈。
2025-12-21 cs.AI cs.CL cs.LG
MOrdReD: Memory-based Ordinal Regression Deep Neural Networks for Time Series Forecasting
University of Oxford(牛津大学);Oxford-Man Institute of Quantitative Finance(牛津-曼定量金融研究所);Mind Foundry Ltd.(Mind Foundry有限公司)
时间序列预测在现代世界中无处不在。应用范围从医疗保健到天文学,包括气候建模,金融交易和关键工程设备的监测。为了在这一系列活动中提供价值,模型不仅必须提供准确的预测,而且还必须随着时间的推移量化和调整其不确定性。在这项工作中,我们直接用一种新颖的、完全端到端的深度学习方法来处理这个任务,用于时间序列预测。通过重铸时间序列预测作为一个有序回归任务,我们开发了一个原则性的方法来评估长期预测的不确定性和描述丰富的多模态,非高斯行为,这经常出现在应用环境。值得注意的是,我们的框架是一种完全通用的方法,几乎不需要用户干预。我们在一个大规模的基准测试中展示了这一关键功能,测试中使用了45个数据集,这些数据集来自广泛的现实应用领域,以及一个综合的合成地图列表。这种广泛的比较涵盖了机器学习和统计建模文献中最先进的方法,例如高斯过程。我们发现,我们的方法不仅提供了出色的预测性预测,遮蔽了真实的未来价值,而且还允许我们推断有价值的信息,例如即使在很长一段时间内,也能准确可靠地预测关键事件发生的预测分布。
2018-10-24 cs.LG stat.ML
Exploring Quantum Neural Networks for Demand Forecasting
Latin America Quantum Computing Center, SENAI CIMATEC(拉丁美洲量子计算中心、SENAI CIMATEC);Robotics Department, SENAI CIMATEC(机器人学系、SENAI CIMATEC)
本文提出用量子神经网络进行车辆融资需求预测,并与经典循环神经网络对比,证明量子模型在保持相似预测能力的同时使用更少训练参数且收敛更快。
2024-10-19 cs.ET cs.LG quant-ph