Reconciling Individual Probability Forecasts
University of Pennsylvania（宾夕法尼亚大学）
本文证明，尽管个体概率不可知，但两个持有不同预测模型的当事方可通过高效的“调和”过程达成一致，从而解决预测或模型多重性问题。
2023-05-06 cs.DS cs.LG math.ST
Leveraging External Factors in Household-Level Electrical Consumption Forecasting using Hypernetworks
SnT, University of Luxembourg（斯通学院，卢森堡大学）
针对外部因素会降低全局电力消耗预测模型性能的问题，提出利用超网络针对每个用户调整模型权重，结合含6000多户卢森堡家庭数据的数据集验证，该方法在保留全局模型优势的同时提升了预测精度。
2025-06-17 cs.AI cs.LG
Leveraging Adiabatic Quantum Computation for Election Forecasting
QxBranch；Standard Cognition（标准认知）
从具有任意相关性的全连通图中进行精确、可靠的采样是一个困难的问题。这样的采样需要知道观察图的每个可能状态的概率。随着图形大小的增长，模型状态的数量变得难以处理的大，并且有效的计算需要完全采样被替换为仅是完全采样的近似值的算法和算法。这项工作研究了绝热量子计算对采样目的的潜在影响，建立在最近使用量子设备成功训练玻尔兹曼机的基础上。我们调查的使用情况下，量子计算训练玻尔兹曼机预测2016年总统大选。
2018-01-30 cs.ET cs.LG quant-ph
Leveraging Language Foundation Models for Human Mobility Forecasting
University of New South Wales（新南威尔士大学）；University of Wollongong（伍伦贡大学）
在本文中，我们提出了一种新的管道，利用语言基础模型的时间序列模式挖掘，如人类流动性预测任务。例如，在预测兴趣点（POI）客户流的任务中，通常从历史日志中提取访问次数，并且仅使用数值数据来预测访问者流。在这项研究中，我们执行预测任务直接对自然语言输入，包括各种信息，如数值和上下文语义信息。引入特定的提示将数值时间序列转换为句子，以便可以直接应用现有的语言模型。我们设计了一个用于预测每个POI中的访问者数量的MMOPLCast管道，将辅助POI类别分类任务与编码器-解码器架构集成在一起。这项研究提供了经验证据的有效性，提出的EST-MobLCast管道发现流动性预测任务的顺序模式。在三个真实世界的数据集上评估的结果表明，预先训练的语言基础模型在预测时间序列方面也具有良好的性能。这项研究可以提供有远见的见解，并为预测人类流动性带来新的研究方向。
2022-09-14 cs.AI cs.LG
Leveraging Exogenous Signals for Hydrology Time Series Forecasting
College of Computing（计算学院）；Georgia Institute of Technology（佐治亚理工学院）；University of Virginia（弗吉尼亚大学）；School of Data Science（数据科学学院）；Computer Science（计算机科学）；Biocomplexity Institute（生物复杂性研究所）
本文提出利用外源信号提升水文时间序列预测性能，通过整合全面的外源输入，显著提高降雨-径流建模效果。
2025-11-26 cs.LG
Leveraging Non-Decimated Wavelet Packet Features and Transformer Models for Time Series Forecasting
Imperial College London（帝国理工学院）
本文结合Daubechies小波特征与Transformer等预测模型，通过非抽取小波包变换提取特征，在多种方法上验证了其对一步及长期预测的改进效果。
2024-03-13 cs.LG stat.ME
AIMI: Leveraging Future Knowledge and Personalization in Sparse Event Forecasting for Treatment Adherence
School of Computing and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院）；College of Health Solutions, Arizona State University（亚利桑那州立大学健康解决方案学院）；School of Electrical Engineering and Computer Science, Washington State University（华盛顿州立大学电气工程与计算机科学学院）
针对可穿戴设备支持的用药依从性预测系统缺失的问题，提出知识引导的AIMI系统，结合传感器与用药史，通过LSTM模型实现0.932的准确率和0.936的F-1分数，验证了未来知识与个性化训练的提升作用。
2025-03-20 cs.AI cs.LG
The Corroboration Illusion: When More News Makes LLM Forecasts Less True
Peking University（北京大学）；University of Central Florida（中佛罗里达大学）
研究发现，攻击者仅通过发布新闻文章即可系统操纵LLM概率预测，单篇文章使56%预测翻转，且现有防御均可被廉价绕过，揭示了LLM预测对信息供应链的脆弱性。
2026-09-22 cs.AI cs.CL
Leveraging Wastewater Monitoring for COVID-19 Forecasting in the US: a Deep Learning study
University of Virginia（弗吉尼亚大学）
2019年底爆发的COVID-19是一场震惊世界的健康危机的开始，并在随后的几年中夺走了数百万人的生命。许多政府和卫生官员未能阻止感染在其社区的快速传播。潜伏期长，无症状病例比例大，使得COVID-19特别难以追踪。然而，废水监测很快就成为一个有前途的数据来源，除了常规指标，如确诊的每日病例，住院和死亡。尽管对废水病毒载量数据的有效性达成了共识，但缺乏利用病毒载量来改善COVID-19预测的方法。本文提出使用深度学习来自动发现每日确诊病例与病毒载量数据之间的关系。我们训练了一个深度时间卷积网络（DeepTCN）和一个时间融合Transformer（TFT）模型来构建全局预测模型。我们将每日确诊病例与病毒载量和其他社会经济因素作为协变量补充到模型中。我们的研究结果表明，TFT的表现优于DeepTCN，并学习了病毒载量和日常病例之间更好的关联。我们证明了，为模型配备病毒载量可以显着提高其预测性能。此外，病毒载量被证明是第二个最具预测性的输入，其次是遏制和健康指数。我们的研究结果揭示了在提供废水病毒载量数据时训练位置不可知的深度学习模型来捕获感染扩散动态的可行性。
2022-12-17 cs.LG
CNCast: Leveraging 3D Swin Transformer and DiT for Enhanced Regional Weather Forecasting
ColorfulClouds Technology Co.,Ltd（彩云科技有限公司）
本文提出CNCast区域预报模型，基于SwinTransformer 3D与DiT，融合NWP增强边界条件并生成约5公里分辨率逐小时降水，1小时至5天预报总体优于Pangu。
2025-03-16 cs.AI cs.LG
Leveraging Hypernetworks and Learnable Kernels for Consumer Energy Forecasting Across Diverse Consumer Types
The University of Western Ontario（西安大略大学）
本文提出HyperEnergy，利用超网络预测LSTM参数并结合可学习自适应核，以提升多样消费者类型下的能源预测性能，并在多种住宅场景中一致优于LSTM、AttentionLSTM和transformer等10种方法。
2025-02-07 cs.AI cs.LG
Improving day-ahead Solar Irradiance Time Series Forecasting by Leveraging Spatio-Temporal Context
Mila - Québec AI Institute（米拉-魁北克人工智能研究所）；Université de Montréal（蒙特利尔大学）；Université du Québec à Rimouski（魁北克大学里穆斯基分校）；NASA Goddard Space Flight Center（美国国家航空航天局戈达德太空飞行中心）
提出一种利用卫星数据挖掘时空上下文的深度学习架构，实现高精度日前太阳辐照度时间序列预测，并提供不确定性度量，在多模态数据集上表现稳健且具备零样本泛化能力。
2023-10-23 cs.LG
Advancing Exchange Rate Forecasting: Leveraging Machine Learning and AI for Enhanced Accuracy in Global Financial Markets
American International University-Bangladesh（美国国际大学-孟加拉国）；Brac University（布拉卡大学）；Multimedia University Malaysia（马来西亚多媒体大学）
本文利用历史汇率数据开发先进机器学习模型，采用LSTM神经网络实现99.449%的预测准确率，结合梯度提升分类器进行方向预测，展示深度学习在外汇预测中的潜力。
2026-03-27 cs.CL cs.LG q-fin.ST
KENN: Enhancing Deep Neural Networks by Leveraging Knowledge for Time Series Forecasting
National University of Science and Technology（国立科技大学）；Technical Universität Kaiserslautern（凯泽斯劳滕工业大学）；Deutsches Forschungszentrum für Künstliche Intelligenz（德国人工智能研究中心）
端到端数据驱动的机器学习方法通常在训练数据的质量和数量方面具有旺盛的要求，这在现实世界的应用中通常是不切实际的。这在时间序列领域尤其如此，在这些领域中，灾难预测、异常检测和需求预测等问题通常没有大量的历史数据。此外，纯粹依靠过去的例子进行训练可能是次优的，因为这样做我们忽略了一个非常重要的领域，即知识，它有自己独特的优势。在本文中，我们提出了一种新的知识融合体系结构，知识增强神经网络（KENN），时间序列预测，专门针对知识和数据域相结合的优势，同时减轻各自的弱点。我们表明，KENN不仅降低了整个框架的数据依赖性，而且通过产生比纯知识和数据驱动域更好的预测来提高性能。我们还将KENN与最先进的预测方法进行了比较，结果表明，即使只对50%的数据进行训练，KENN产生的预测也明显更好。
2022-02-16 cs.AI cs.LG
MetaEformer: Unveiling and Leveraging Meta-patterns for Complex and Dynamic Systems Load Forecasting
Tianjin University（天津大学）
针对复杂动态系统负荷预测中复杂模式、概念漂移与少样本问题交织的挑战，提出基于元模式的MetaEformer模型，通过元模式池化与回声机制结合Transformer预测器，在多基准测试中准确率较现有最优方法提升37%。
2025-06-15 cs.LG
Improve State-Level Wheat Yield Forecasts in Kazakhstan on GEOGLAM's EO Data by Leveraging A Simple Spatial-Aware Technique
University of Maryland（马里兰大学）；NASA Harvest（美国国家航空航天局丰收项目）
针对遥感数据外生因素导致的产量预测空间异质性问题，提出州级加性偏差技术，显著提升哈萨克斯坦小麦产量预测精度，为空间感知地理预测算法研究提供参考。
2023-06-01 cs.CY cs.LG
From Samples to Scenarios: A New Paradigm for Probabilistic Forecasting
ZJU-UIUC Institute, Zhejiang University（浙江大学ZJU-UIUC研究院）；Department of Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学计算机科学与工程系）；School of Software, Tsinghua University（清华大学软件学院）
本文提出概率场景范式，通过直接生成场景与概率对，改进概率预测模型，实现更高效和准确的预测效果。
2026-02-24 cs.LG
Beyond Ensemble Averages: Leveraging Climate Model Ensembles for Subseasonal Forecasting
University of Chicago（芝加哥大学）；George Mason University（乔治梅森大学）
针对次季节气候预报精度不足的问题，本研究提出利用气候模式集合的全量信息而非仅集合平均，结合多类机器学习后处理模型，提升美国本土次季节气候变量及极端事件的预测精度，效果优于传统基线。
2024-09-16 cs.LG physics.ao-ph
LSTM-MSNet: Leveraging Forecasts on Sets of Related Time Series with Multiple Seasonal Patterns
Monash University（莫纳什大学）
生成具有多个季节性周期的时间序列的预测是当今许多行业的重要用例。在这些情况下，有必要考虑到多季节模式，以产生更准确和有意义的预测。在本文中，我们提出了长短期记忆多季节网络（LSTM-MSNet），一个基于分解的，统一的预测框架，预测具有多个季节模式的时间序列。该领域的现有技术通常是单变量方法，其中独立地估计每个时间序列的模型参数。因此，这些模型无法包括时间序列集合可能共享的关键模式和结构。相比之下，LSTM-MSNet是一个全局训练的长短期记忆网络（LSTM），其中跨所有可用的时间序列构建单个预测模型，以利用一组相关时间序列中的交叉序列知识。此外，我们的方法结合了一系列最先进的多季节分解技术来补充LSTM学习过程。在我们的实验中，我们能够证明，在来自不同数据源的数据集上，例如流行的M4预测竞赛，分解步骤是有益的，而在来自单个应用程序的同质序列的常见现实情况下，外源季节变量或根本没有季节预处理是更好的选择。所有选项都很容易包含在框架中，使我们能够在这两种情况下实现有竞争力的结果，优于许多最先进的多季节预测方法。
2020-04-27 cs.LG cs.NE stat.AP
Leveraging Asynchronous Cross-border Market Data for Improved Day-Ahead Electricity Price Forecasting in European Markets
Technical University of Denmark, Denmark（丹麦技术大学）；KTH Royal Institute of Technology, Sweden（瑞典皇家理工学院）
本文通过利用异步跨境市场价格数据，提升了欧洲市场日间电力价格预测的准确性，为优化投标策略提供了新方法。
2025-07-17 cs.LG cs.SY eess.SY
Temporal Logistic Neural Bag-of-Features for Financial Time series Forecasting leveraging Limit Order Book Data
Tampere University（坦佩雷大学）；Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）；Aarhus University（奥胡斯大学）
时间序列预测是许多重要应用的重要组成部分，从股票市场预测到能源负荷预测。在这些应用程序中收集的数据的高维性，速度和多样性构成了重大和独特的挑战，必须仔细解决每个问题。在这项工作中，提出了一种新的时间逻辑神经特征袋方法，可以用来解决这些挑战。所提出的方法可以有效地与深度神经网络相结合，从而为时间序列分析提供强大的深度学习模型。然而，将现有的BoF公式与深度特征提取器相结合带来了重大挑战：输入特征的分布不是固定的，调整模型的超参数可能特别困难，并且BoF模型中涉及的归一化可能会在训练过程中导致显着的不稳定性。所提出的方法是能够克服这些限制，采用一种新的自适应缩放机制，并取代经典的基于高斯的密度估计中涉及的定期BoF模型与逻辑内核。在一个包含400多万个限价订单的大规模金融时间序列数据集上进行了大量实验，证明了该方法的有效性。
2019-01-24 cs.LG q-fin.CP stat.ML
Trend Extrapolation for Technology Forecasting: Leveraging LSTM Neural Networks for Trend Analysis of Space Exploration Vessels
University of Arkansas at Little Rock（阿肯色大学小石城分校）
本文提出结合LSTM神经网络与摩尔定律的模型，用于预测航天器寿命，解决右删失问题以提升技术预测准确性。
2025-12-17 cs.LG
Leveraging Multivariate Long-Term History Representation for Time Series Forecasting
Department of Electrical and Computer Engineering, McGill University（电气与计算机工程系，麦吉尔大学）；Hydro-Québec Research Institute（水电公司研究 institute）
针对现有多变量时间序列预测STGNN忽略长期跨序列时空相关性的问题，提出含LHEncoder、HRetriever和TAggregator的LMHR增强框架，在多个真实数据集上显著提升预测精度。
2025-05-20 cs.AI cs.LG
Forecasting the abnormal events at well drilling with machine learning
Skolkovo Institute of Science and Technology (Skoltech)（斯科尔科沃科技学院（斯科尔泰克））；Digital Petroleum（数字石油公司）
提出了一种基于数据驱动和物理信息的钻井事故预测算法。核心机器学习算法使用来自钻井遥测的代表时间序列的数据。我们已经开发了一个袋的功能表示的时间序列，使算法实时预测六种类型的钻井事故的概率。该机器学习模型基于来自100个不同俄罗斯油气井的125起钻井事故进行训练。验证结果表明，该模型对70%的钻井事故具有较好的预测能力，误报率为40%。该模型解决了部分预防钻井事故在井施工。
2022-03-10 cs.LG
Quantum-Enhanced Forecasting: Leveraging Quantum Gramian Angular Field and CNNs for Stock Return Predictions
Industrial and Commercial Bank of China（中国工商银行）；The University of Sydney（悉尼大学）；Hebei Finance University（河北金融学院）
提出 QGAF 方法，通过量子电路将股票收益序列编码为二维图像并输入 CNN，免去归一化与反余弦计算，在三大市场显著降低预测误差。
2023-12-11 cs.LG q-fin.CP
BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges
本文提出BreakGPT，一种结合时间序列表示学习与大型语言模型的新型架构，用于预测资产价格飙升，以最少训练有效捕捉局部和全局时间依赖，成为金融预测的有力方案。
2024-11-09 cs.LG q-fin.ST
Hybrid Machine Learning Forecasts for the UEFA EURO 2020
TU Dortmund University（多特蒙德工业大学）；Molde University College（莫尔德大学学院）；Ghent University（根特大学）；Technical University of Munich（慕尼黑工业大学）；Universität Innsbruck（因斯布鲁克大学）
三个国家的最先进的统计排名方法预测足球比赛相结合的混合机器学习模型与其他几个预测。即，基于历史比赛的每支球队的能力估计;基于博彩公司共识的每支球队的能力估计;基于他们在主场俱乐部和国家队中的个人表现的平均正负球员评级;以及进一步的球队协变量（例如，市场价值、团队结构）和国家具体的社会经济因素（人口、国内生产总值）。所提出的组合方法用于学习从2004年至2016年的四个前欧足联欧洲杯的比赛中得分的进球数，然后应用到当前的信息来预测即将到来的2020年欧足联欧洲杯。根据所得的估计，比赛是反复模拟，并获得所有球队的获胜概率。一个随机森林模型有利于目前的世界冠军法国队，获胜概率为14.8%，在英格兰队（13.5%）和西班牙队（12.3%）之前。此外，我们还提供了所有球队和所有锦标赛阶段的生存概率。
2021-06-07 cs.LG stat.AP
Dirichlet-Guided Group Forecasting for Alleviating Over-smoothing in Time Series Forecasting
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）
针对时间序列预测中的过度平滑问题，提出Dirichlet引导的群体预测（DGF）框架，通过显式建模多个模式条件预测分布及其选择概率的不确定性，并采用Dirichlet引导的分层采样和奖励优化，提升预测的准确性、多样性和动态一致性。
2026-06-09 cs.LG
EasyTime: Time Series Forecasting Made Easy
School of Data Science and Engineering, East China Normal University（华东师范大学数据科学与工程学院）；Department of Computer Science, Aalborg University（奥尔堡大学计算机科学系）
EasyTime系统通过一键评估、自动集成模块和基于大语言模型的自然语言问答模块，简化了时间序列预测方法的使用，并支持新预测方法的开发。
2024-12-23 cs.LG stat.ML
Leveraging an Atmospheric Foundational Model for Subregional Sea Surface Temperature Forecasting
Centro de Tecnologías de la Imagen (CTIM)（图像技术中心）；Instituto Universitario de Cibernética, Empresas y Sociedad (IUCES)（网络、企业与社会大学研究所）；University of Las Palmas de Gran Canaria, Spain（大加那利岛大学）；Oceanografía Física y Geofísica Aplicada (OFYGA)（应用物理海洋学与地球物理研究所）；Instituto Universitario de Investigación en Acuicultura Sostenible y Ecosistemas Marinos (ECOAQUA)（可持续水产养殖与海洋生态系统大学研究所）
本研究将大气预训练基础模型Aurora适配用于加那利上升流系统的海表面温度预测，通过分阶段微调等方法实现了高精度预测，验证了跨领域预训练模型在海洋预测中的可行性。
2025-10-29 cs.AI cs.LG physics.ao-ph
A Real-time Multimodal Transformer Neural Network-powered Wildfire Forecasting System
University of California, Berkeley（加利福尼亚大学伯克利分校）
本文提出一种实时多模态Transformer神经网络野火预测系统，融合逐小时天气数据与Google Earth局部地形植被信息，利用1992-2015年美国野火数据训练，可提前24小时预测100平方米小区域的野火发生概率。
2025-03-12 cs.AI cs.LG
Leveraging 2D Information for Long-term Time Series Forecasting with Vanilla Transformers
Renmin University of China（中国人民大学）；Microsoft（微软公司）；Peking University（北京大学）；KAUST（阿卜杜拉国王科技大学）
GridTST基于朴素Transformer，通过网格化时间序列并采用水平与垂直多方向注意力，同时捕捉时间与变量相关性，实现长期预测的最先进性能。
2024-05-22 cs.AI cs.LG
Foundation Model Forecasts: Form and Function
Senseye, Siemens Digital Industries（Senseye，西门子数字工业）
该研究针对时间序列基础模型预测形式与实际任务需求不匹配的问题，分析了不同预测类型的转换条件，证明边际分布无法确定路径依赖事件概率，构建了任务与预测类型的映射及评估框架，明确了预测形式对实际效用的关键影响。
2025-10-22 cs.AI cs.LG
Data-Driven Methods to Monitor, Model, Forecast and Control Covid-19 Pandemic: Leveraging Data Science, Epidemiology and Control Theory
Universidad de Sevilla（塞维利亚大学）；Universidad Loyola Andalucía（安达卢西亚洛约拉大学）
本文件分析数据驱动方法在新型冠状病毒疫情中的作用。我们提供SWOT分析和路线图，从访问数据源到最终决策步骤。我们的目标是检讨可用的方法，同时预测在制定数据驱动的策略以应对新型冠状病毒疫情方面的困难和挑战。提出了3M分析：监测、建模和决策。重点是众所周知的数据驱动计划在应对疫情带来的不同挑战方面的潜力：㈠监测和预测疫情的蔓延; ㈡评估政府决策的有效性; ㈢及时作出决策。路线图的每一步都通过对综合理论结果及其在新冠肺炎背景下的潜在应用的审查进行了详细说明。在可能的情况下，我们提供了它们在过去或现在流行病中的应用实例。我们不提供方法、算法和应用的详尽列举。我们确实试图作为不同学科之间的桥梁，为流行病提供一个整体的方法：数据科学，流行病学，控制理论等，也就是说，我们强调有效的数据驱动的方法，已被证明是成功的，在其他情况下，并在拟议的路线图的不同步骤中有潜在的应用。为了使本文档更实用，并适应每个学科的具体情况，我们鼓励研究人员和从业人员提供反馈。我们将定期更新此文档。
2020-06-10 cs.LG physics.data-an physics.soc-ph
Incorporating Expert Guidance in Epidemic Forecasting
Georgia Institute of Technology（佐治亚理工学院）；University of Iowa（爱荷华大学）；Virginia Tech（弗吉尼亚理工学院）
近年来，预测流感样疾病（ILI）已经从一门艺术迅速发展成为一门科学，并采用了大量的数据驱动方法。虽然这些方法取得了一定的成功，但它们的适用性有限，因为它们无法将专家反馈和指导系统地纳入预测框架。我们提出了一种利用人工智能安全的Seldonian优化框架的新方法，并演示了它如何适应流行病预测。我们研究了两种类型的指导：平滑性和区域一致性的错误，在那里我们表明，通过其成功的结合，我们不仅能够限制不良行为发生的概率，而且还可以将测试数据的RMSE降低高达17%。
2020-12-24 cs.LG
Forecasting Rare Language Model Behaviors
Mila -- Qu\'ebec AI Institute
提出一种通过查询诱发概率的缩放规律来预测语言模型在部署规模下罕见风险行为的方法，可跨三个数量级预测危险行为，助力提前修补。
2025-02-24 cs.LG
Zero-Shot Learning for Obsolescence Risk Forecasting
LAAS-CNRS（法国图卢兹研究所-国家科学研究中心）
本文提出利用零样本学习结合大语言模型预测电子元器件淘汰风险的方法，通过利用表格数据集的领域知识克服数据缺乏问题，并在真实数据集上验证了其有效性及模型选择的重要性。
2025-06-26 cs.LG
Robust Nonparametric Distribution Forecast with Backtest-based Bootstrap and Adaptive Residual Selection
Amazon（亚马逊）
分布预测可以量化预测的不确定性，并提供各种预测方案及其相应的估计概率。准确的分销预测对于规划至关重要-例如在制定生产能力或库存分配决策时。我们提出了一个实用和强大的分布预测框架，依赖于基于回溯测试的自举和自适应残差选择。所提出的方法是强大的选择的基础预测模型，占周围的输入协变量的不确定性，并放松残差和协变量之间的独立性假设。与经典的bootstrap方法相比，它将绝对覆盖误差降低了63%以上，与各种最先进的深度学习方法相比，它将内部产品销售数据和M4小时竞争数据的绝对覆盖误差降低了2% - 32%。
2022-02-16 cs.LG stat.ML
Generative AI-driven forecasting of oil production
University of Southern California（南加州大学）
本研究利用生成式AI技术，采用TimeGrad和Informer模型对四个多井站点四十年的油气产量时间序列进行预测，发现Informer在效率和精度上表现更优，为油田决策提供了有效支持。
2024-09-24 cs.LG
Do Language Models Update their Forecasts with New Information?
Department of Computer Science and Technology, University of Cambridge, Cambridge, United Kingdom（计算机科学与技术系，剑桥大学，剑桥，英国）
研究发现语言模型在接收到新信息时更新预测不一致且保守，需改进机制以更准确整合外部知识。
2026-09-09 cs.CL
Deep Transformer Models for Time Series Forecasting: The Influenza Prevalence Case
Google, LLC（谷歌有限责任公司）
本文提出了一种新的时间序列预测方法。时间序列数据在许多科学和工程学科中普遍存在。时间序列预测是时间序列数据建模的一项重要任务，也是机器学习的一个重要领域。在这项工作中，我们开发了一种新的方法，采用基于transformer的机器学习模型来预测时间序列数据。这种方法的工作原理是利用自我注意力机制从时间序列数据中学习复杂的模式和动态。此外，它是一个通用的框架，可以应用于单变量和多变量时间序列数据，以及时间序列嵌入。使用流感样疾病（ILI）预测作为案例研究，我们表明，我们的方法产生的预测结果是有利的国家的最先进的。
2020-01-23 cs.LG stat.ML
Exceedance Probability Forecasting via Regression for Significant Wave Height Prediction
Faculdade de Engenharia da Universidade do Porto（波尔图大学工程学院）；LIACC；Dalhousie University（达尔豪斯大学）
针对有效波高极端值超越概率预测问题，提出基于点预测与累积分布函数的回归建模方法，并在哈利法克斯智能浮标数据上验证其优于现有方法。
2024-05-06 cs.LG stat.ML
Retrieval Augmented Time Series Forecasting
KAIST（韩国科学技术院）
本文提出检索增强时间序列预测方法RAFT，通过检索相似历史模式并利用其未来值增强预测，在十个基准数据集上平均胜率达86%。
2025-05-07 cs.IR cs.LG
Diffusion-LAM: Probabilistic Limited Area Weather Forecasting with Diffusion
Linköping University（林雪平大学）；SMHI（瑞典气象和水文研究所）
本文提出Diffusion-LAM，一种以边界数据为条件的概率有限区域天气模型，并在MEPS数据集上验证了其提供准确概率预报的潜力。
2025-04-10 cs.LG physics.ao-ph
DeepSeasons: a Deep Learning scale-selecting approach to Seasonal Forecasts
Princeton University（普林斯顿大学）
本文提出了一种名为DeepSeasons的新型深度学习方法，通过先进的神经网络架构和历史气候数据集识别气候变量中的非线性模式，以低于传统GCM方法的成本实现相似或更优的季节性预测技能，并支持针对特定区域或变量的定制化直接预测，为气候敏感行业的长期预测与风险管理提供了新途径。
2025-08-31 cs.LG physics.ao-ph
CAMul: Calibrated and Accurate Multi-view Time-Series Forecasting
Georgia Institute of Technology（佐治亚理工学院）；College of Computing（计算学院）
概率时间序列预测可以在许多领域做出可靠的决策。大多数预测问题都有不同的数据来源，包含多种模式和结构。利用这些数据来源的信息和不确定性进行校准良好和准确的预测是一个重要的挑战性问题。以前大多数关于多模态学习和预测的工作只是通过简单的求和或级联方法从每个数据视图中聚合中间表示，并且没有明确地为每个数据视图建模不确定性。我们提出了一个通用的概率多视图预测框架CAMul，它可以从不同的数据源中学习表示和不确定性。它以动态的特定于上下文的方式集成来自每个数据视图的知识和不确定性，为有用的视图分配更多的重要性，以模拟校准良好的预测分布。我们将CAMul用于具有不同来源和形式的多个域，并表明CAMul在准确性和校准方面优于其他最先进的概率预测模型25%以上。
2022-02-25 cs.AI cs.LG stat.ML
Hybrid Machine Learning Forecasts for the FIFA Women's World Cup 2019
TU Dortmund University（多特蒙德工业大学）；Ghent University（根特大学）；Technical University of Munich（慕尼黑工业大学）；Universität Innsbruck（因斯布鲁克大学）
在这项工作中，我们结合了两种不同的排名方法与其他几个预测在一个联合随机森林方法的足球比赛的成绩。第一种排名方法是基于博彩公司的共识，第二种排名方法估计足够的能力参数，最好地反映了球队的当前实力。然后将所提出的综合方法应用于前两届国际足联女足世界杯2011年和2015年的数据。最后，基于所得到的估计，反复模拟2019年FIFA女足世界杯，并获得所有球队的获胜概率。该模型显然有利于卫冕冠军美国之前，东道国法国。
2019-06-03 cs.LG stat.AP stat.ML
Zero-Shot Forecasting Mortality Rates: A Global Study
University of Debrecen（德布勒恩大学）
本研究探索零样本时间序列预测在死亡率预测中的潜力，测试多种模型在不同周期下的表现，发现零样本模型效果有差异，微调及传统机器学习模型可提升表现，为该领域模型选择与适配提供参考。
2025-05-17 cs.LG q-fin.RM stat.AP
Why Did This Model Forecast This Future? Closed-Form Temporal Saliency Towards Causal Explanations of Probabilistic Forecasts
Delft University of Technology（代尔夫特理工大学）
围绕低层次人类行为动态的预测任务对多个研究领域具有重要意义。在这种情况下，解释特定预测的方法可以使领域专家深入了解行为之间的预测关系。在这项工作中，我们介绍并解决以下问题：给定一个概率预测模型，我们如何确定观察到的窗口，该模型认为显着时，作出预测？我们建立在基于人类感知的信息理论显着性的一般定义基础上，并通过利用该领域的一个关键属性将其扩展到预测环境：单个观察可以导致多个有效的未来。我们建议表达的显着性观察到的窗口的差分熵的预测未来的分布。与现有的方法，要么需要显式训练的显着性机制或访问的预测模型的内部状态，我们获得了一个封闭形式的解决方案的显着性图中常用的密度函数在概率预测。我们经验性地展示了我们的框架如何使用合成的会话数据集从发言转向预测的样本任务的头部姿势特征中恢复显着的观察窗口。
2022-06-01 cs.AI cs.IT cs.LG
Winner-takes-all for Multivariate Probabilistic Time Series Forecasting
本文提出TimeMCL方法，利用多选学习（MCL）范式与赢者通吃（WTA）损失，通过多头神经网络促进预测多样性，以高效预测时间序列的多种可能未来，并在合成与真实数据上验证了其低计算成本下的出色性能。
2025-08-11 cs.AI cs.LG stat.ML
Leveraging Speech Acts for Low-Data and Cross-Domain Conversation Derailment Forecasting
The University of Melbourne（墨尔本大学）
该研究针对对话偏离预测在低数据与跨领域场景下的不足，提出结合言语行为与文本语义的辅助学习方法，在三个数据集上取得了性能提升。
2026-09-10 cs.CL
