Probabilistic Reconciliation of Count Time Series
本文针对计数时间序列缺乏概率协调框架的问题,提出适用于实值和计数变量的一致性定义与基于 Bayes' rule 推广的新协调方法,实验证明其相比概率 Gaussian 协调显著提升了预测效果。
2023-04-26 stat.ME stat.ML
Point and probabilistic forecast reconciliation for general linearly constrained multiple time series
本文针对一般线性约束多元时间序列,提出类似结构的预测协调公式,区分自由与受约束变量,并建立概率协调框架,应用于澳大利亚及欧洲GDP预测。
2023-12-22 stat.AP stat.CO stat.ME
Properties of the reconciled distributions for Gaussian and count forecasts
研究分层预测的概率协调问题,通过条件化分析高斯和计数预测协调分布的方差性质及单层分层协调上均值,,理论证明协调能大幅提升概率预测性能。
2024-02-14 stat.AP stat.ME
Iterative Trace Minimization for the Reconciliation of Very Short Hierarchical Time Series
针对极短且层级较大的时间序列中 MinT 协方差估计困难的问题,提出减少待估参数的迭代迹最小化方法,并通过模拟与 WSTS 半导体案例验证其预测精度提升。
2025-03-19 stat.ME
Forecast reconciliation with non-linear constraints
University of Padova(帕多瓦大学);Monash University(蒙纳士大学);The University of Melbourne(墨尔本大学)
本文提出非线性约束调和(NLCR)算法,将预测调和扩展到非线性约束时间序列,通过投影到非线性表面求解约束优化问题,并在人口学与经济学数据集上显著提升预测准确性。
2025-10-24 stat.AP stat.ME 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
Forecast reconciliation meets compositional data analysis: A study of Italian cause-specific age-at-death
University of Foggia(福贾大学);Sapienza University of Rome(罗马智慧大学);University of Campania ”Luigi Vanvitelli”(坎帕尼亚路易吉·凡维特利大学);Macquarie University(麦考瑞大学)
本研究将成分数据分析整合到分层时间序列预测中,提出新框架用于意大利死因别死亡率预测,确保聚合一致性并显著提升预测可靠性,尤其在总死亡率及按死因和性别的预测中表现优于传统方法。
2026-09-17 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
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
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
Forecasting multiple functional time series in a group structure: an application to mortality
在对地方死亡率进行建模时,我们应该考虑三个特点:(1)如何通过多人口联合建模来考虑各亚人口之间的任何可能的相关性,以潜在地提高预测准确性;(2)如何协调地方死亡率预测,以便它们在群体结构的各个层次上充分聚合;(3)在各种预测调节方法中,如何将它们的预测合并,以提高预测的准确性。为了解决这些问题,我们引入了一个扩展的分组单变量函数时间序列方法。我们首先考虑一个多元函数时间序列方法来联合预测多个相关序列。然后,我们评估的影响和效益,使用预测组合之间的预测调节方法。使用日本地区的年龄别死亡率,我们调查一步前进到15步前进点和区间预测精度,我们提出的扩展,并提出建议。
2020-01-10 stat.ME
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
Coherent Hierarchical Forecasting for Proportion and Discrete Time Series
本文提出一种基于卷积和指数倾斜的事后层次预测方法,用于离散和有界时间序列的相干预测,在模拟和实证中表现优于现有协调方法。
2026-09-17 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
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
Constructing hierarchical time series through clustering: Is there an optimal way for forecasting?
本文研究预测协调中层次结构的构建方式,通过比较多种时间序列聚类表示与距离定义、随机置换实验及跨层次预测平均,发现准确性提升主要来自层次结构而非相似序列分组,且多方法平均表现最佳。
2024-09-08 stat.ME
Analyzing Taiwanese traffic patterns on consecutive holidays through forecast reconciliation and prediction-based anomaly detection techniques
本研究提出一种基于协调OLS预测和自助法预测区间的异常检测方法,分析台湾连续假期高速公路交通模式,发现不同方向与路段的异常差异,为交通管理提供决策支持。
2024-04-29 stat.AP
Billions-Scale Forecast Reconciliation
Johns Hopkins University(约翰斯·霍普金斯大学);Amazon(亚马逊)
本文提出了一种针对数十亿级预测协调问题的优化方法,展示了其在大规模数据下的有效性,并理论证明了最小二乘协调与基于份额协调的等价性。
2026-02-06 stat.ME
Coherent forecast combination for linearly constrained multiple time series
University of Padua(帕多瓦大学)
本文针对线性约束多时间序列,提出基于优化的一致预测组合方法,给出闭式解并通过模拟与澳大利亚电力数据验证其性能提升。
2026-11-09 stat.AP stat.CO 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
Optimal Forecast Reconciliation with Uncertainty Quantification
Technical University of Denmark(丹麦技术大学)
本研究提出在一般线性模型中估计预测协调权重矩阵以量化不确定性,利用正交投影和Wishart分布推导协方差估计,证明距离缩减性质,并通过模拟和瑞典电力负荷案例验证改进。.
2026-11-09 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
Forecasting Italian daily electricity generation disaggregated by geographical zones and energy sources using coherent forecast combination
针对意大利按地理区域和能源来源分解的每日发电量层级预测不一致问题,提出相干平衡多任务预测组合方法,提升了预测准确性与约束相干性。
2025-02-17 stat.AP stat.ME
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
Bayesian Reconciliation of Overlapping Multi Step Forecasts: A Post Processing Framework for Cross Origin Coherence
University of São Paulo(圣保罗大学)
针对多步预测中跨来源不一致性问题,提出模型无关的贝叶斯后处理协调框架,通过状态空间模型联合校准重叠预测,显著降低不一致性并提升区间覆盖率。
2026-11-03 stat.ME
Forecasting Australian fertility by age, region, and birthplace
本文采用分组函数时间序列模型并结合层级协调方法,对澳大利亚按年龄、地区和出生地划分的生育率进行一致预测,迹最小化协调取得最优预测效果。
2024-10-24 stat.AP stat.ME
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
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
Probabilistic forecasting of heterogeneous consumer transaction-sales time series
我们提出了新的贝叶斯方法的消费者销售预测。重点是多步提前预测的日常销售的许多超市项目,我们适应动态计数混合模型来预测个人客户的交易,并引入新的动态二进制级联模型来预测每笔交易的项目计数。这些交易-销售模型可以结合随时间变化的趋势、季节、价格、促销、随机效应和针对单个项目的其他特定于出口的预测因素。序贯贝叶斯分析涉及对解耦项集的快速、并行过滤,并且可跨可能表现出广泛变化的特征的项进行适应性调整。多尺度方法允许随着时间的推移在具有相关模式的项目之间共享信息,以提高预测,同时保持对许多项目的可伸缩性。一个激励性的案例研究,在多项目,多周期,多步提前超市销售预测提供的例子,证明提高预测精度在多个指标,并说明了预测精度评估和比较的全概率模型的好处。保留字:贝叶斯预测去耦/重新耦合;动态二元级联预报校正;间歇性需求;多尺度预测;预测罕见事件;每笔交易的销售额;超市销售预测
2018-08-20 stat.AP stat.ME
Exploiting Intraday Decompositions in Realized Volatility Forecasting: A Forecast Reconciliation Approach
本文提出利用RV日内分解的层次结构进行预测协调,并基于道琼斯工业指数及其成分股验证其可提升样本外预测准确性。
2023-06-05 stat.AP stat.ME
Scaleable Dynamic Forecast Reconciliation
本文提出一种可扩展的动态概率预测协调方法,允许权重随时间变化并使用样本外预测,通过闭式协方差估计和层级分解实现大规模数据处理。
2024-09-19 stat.AP stat.ME
Online forecast reconciliation using linear models
Technical University of Denmark(丹麦技术大学)
提出基于线性回归模型的在线自适应预测与层次协调框架,利用矩阵正态分布刻画残差,通过岭回归实现参数估计与协调,并给出递归推理算法,在区域供热负荷预测案例中验证有效性。
2026-06-23 stat.AP stat.ME
Reconciling Hierarchical Forecasts via Bayes' Rule
我们提出了一种新的方法来协调层次预测,基于贝叶斯规则。我们定义了一个先验分布的底部时间序列的层次结构,基于底部的基础预测。然后,我们更新他们的分布,通过贝叶斯规则,基于上时间序列的基本预测。在高斯假设下,我们得到了封闭形式的更新。我们推导出两个算法,这是不同的假设的独立性。我们讨论了他们的关系与MinT和解算法和卡尔曼滤波器,我们比较实验。
2020-06-22 stat.AP
Neural Network Middle-Term Probabilistic Forecasting of Daily Power Consumption
中期(数月至一年)的电力消耗预测是能源行业的主要挑战,特别是在考虑概率预测时。我们提出了一种新的建模方法,将趋势,季节性和天气条件,解释变量在一个浅神经网络与自回归功能。我们获得了良好的结果,密度预测的一年的测试集,将其应用于美国新英格兰地区的每日用电量。所实现的电力消耗概率预测的质量已得到验证,一方面,将结果与其他标准模型进行密度预测,另一方面,考虑到能源部门经常使用的措施,如弹球损失和CI回测。
2022-01-02 eess.SP stat.ME stat.ML
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
Adaptive Probabilistic Forecasting of Electricity (Net-)Load
本文提出基于 Kalman filter、残差分位数回归与在线专家聚合的自适应概率电力负荷预测方法,并在英国净负荷和美国七城需求数据上验证其显著提升点预测与概率预测性能。
2023-04-24 stat.AP stat.ME stat.ML
A review of machine learning concepts and methods for addressing challenges in probabilistic hydrological post-processing and forecasting
National Technical University of Athens(雅典国立技术大学);Hellenic Air Force(希腊空军)
概率预报在包括水文学在内的各种应用领域中日益受到重视。几个机器学习概念和方法对于解决形式化和优化概率预测实现的主要挑战以及识别这些实现中最有用的实现的同样重要的挑战是显著相关的。尽管如此,注重实际的审查,这些概念和方法,以及如何可以有效地利用这些在上述基本的努力,目前失踪的概率水文预报文献。尽管在同一文献中,从机器学习中受益的研究工作明显加强,但这种缺乏仍然存在。尽管最近出现了实质性的相关进展,特别是在概率水文后处理领域,传统上为水文学家提供概率水文预报实施,但它也成立。我们的目标是填补这一空白。在我们的审查中,我们强调可以导致有效普及的关键思想和信息,因为这种强调可以支持未来的成功实施和进一步的科学发展。在同一个前瞻性的方向,我们确定开放的研究问题,并提出想法,在未来进行探索。
2022-10-30 cs.LG stat.AP stat.ME
Reconciliation of expert priors for quantities and events and application within the probabilistic Delphi method
本文提出一种贝叶斯分层模型,基于连续量的分位数和一次性事件的概率来协调专家判断,并将其嵌入概率德尔菲法中,以形成具有直接概率解释的单一先验分布,实验表明该方法优于传统方法。
2023-11-24 stat.ME
Balancing Accuracy and Costs in Cross-Temporal Hierarchies: Investigating Decision-Based and Validation-Based Reconciliation
本文提出利用验证误差进行协方差估计和基于决策的聚合层级,在跨时间预测中平衡准确性与决策成本,实验表明基于决策的调和更实用。
2024-12-15 stat.AP stat.ME
Optimal Combination Forecasts on Retail Multi-Dimensional Sales Data
Faculty of Engineering, University of Porto(波尔图大学工程学院);HUUB AI Lab Porto(HUUB AI实验室波尔图)
零售世界中的时间序列数据在维度方面特别丰富,这些维度可以按组或层次进行聚合。有价值的信息嵌套在这些复杂的结构中,这有助于预测聚合的时间序列数据。从HUUB监测的品牌组合中,我们选择了两个品牌来探索他们的销售行为,利用其产品结构的分组属性。利用统计模型,即SARIMA,预测层次结构中的每一个层次,使用最佳组合方法,以产生更一致的预测在较高的水平。我们的研究结果表明,所提出的方法确实可以捕获嵌套的信息在更细粒度的序列,有助于提高预测精度的聚合系列。加权最小二乘(WLS)方法超过了研究中提出的所有其他方法,包括最小跟踪(MinT)和解。
2019-03-22 cs.LG stat.AP stat.ME
Modeling uncertainty in the covariance matrix for probabilistic forecast reconciliation
University of Pavia(帕维亚大学);SUPSI, Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)(瑞士应用科学与艺术大学,达莱·莫勒人工智能研究所)
本文提出一种贝叶斯协调模型,通过逆 Wishart 先验和高斯残差假设,使协调后的预测分布服从多元 t 分布,从而改进预测区间。
2026-09-04 stat.CO stat.ME
A Worrying Analysis of Probabilistic Time-series Models for Sales Forecasting
NAVER CLOVA;NAVER AI LAB(NAVER人工智能实验室)
概率时间序列模型在预测领域变得流行,因为它们有助于在不确定性下做出最优决策。尽管兴趣越来越大,但缺乏彻底的分析阻碍了选择值得申请的任务。在本文中,我们分析了三个突出的概率时间序列模型的销售预测的性能。为了消除随机机会对体系结构性能的影响,我们提出了两个实验原则:1)具有各种交叉验证集的大规模数据集。2)标准化训练和超参数选择。实验结果表明,一个简单的多层感知器和线性回归优于RMSE的概率模型,没有任何特征工程。总的来说,概率模型在点估计方面,如RMSE和MAPE,未能达到比简单基线更好的性能。我们分析和讨论概率时间序列模型的性能。
2020-11-21 cs.AI cs.LG stat.CO
Learning to forecast: The probabilistic time series forecasting challenge
本文介绍了一项课程项目,学生每周提交气象和金融变量的概率预测,以实践数据科学和应用统计技能,并探讨了课程设计、预测评估及经验教训。
2023-04-03 stat.OT
Combining Probabilistic Forecasts of Intermittent Demand
针对间歇性需求概率预测研究不足、现有研究忽略库存影响的问题,本研究构建兼顾预测精度与库存效用的概率预测组合方法,实证发现其优于单一方法,但两类性能存在权衡。
2024-04-15 stat.AP
Deep Distributional Time Series Models and the Probabilistic Forecasting of Intraday Electricity Prices
本文基于回声状态网络提出两种深度时间序列概率模型,并利用贝叶斯MCMC方法估计,在澳大利亚国家电力市场数据上实现了高精度的日内电价短期概率预测,其中隐式Copula模型表现最优。
2021-05-27 econ.EM stat.AP stat.CO
On a conjectured sharpness principle for probabilistic forecasting with calibration
本文证明了Gneiting,Balabdaoui和Raftery在2007年提出的关于受校准约束的概率预测的锐度原理的弱类型。这一原则的一个强有力的版本仍有待适当的拟订。
2009-02-02 math.PR math.ST stat.TH
From point forecasts to multivariate probabilistic forecasts: The Schaake shuffle for day-ahead electricity price forecasting
价格风险建模是能源市场经济决策的关键。除了单一价格的风险之外,多个价格的相关结构也常常是相关的。因此,我们提出了一个通用的和易于实现的方法,用于创建多变量概率预测的基础上,一天前的电价单变量点预测。虽然每个单变量点预测指的是一天中的一个24小时,但多变量预测分布对跨小时的相关性进行建模。所提出的方法是基于简单的Copula技术和一个可选的时间序列组件。我们举例说明了Lago等人(2020)最近提供的五个基准数据集的方法。此外,我们展示了一个例子,为连续电价的加权和构建现实的预测区间,例如,需要为单个负载配置文件定价。
2022-04-21 econ.EM stat.AP
Combining Weather Forecast Aggregation and State-Space Models for Adaptive Probabilistic Electricity Load Forecasting
Viking Conseil;MétéoFrance(法国气象局)
本文提出一种结合多气象预报聚合与状态空间模型的自适应概率负荷预测框架,通过GAM和GAMLSS提升不确定性量化,在法国数据上显著优于单一来源方法。
2026-09-16 stat.AP
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
Use and Communication of Probabilistic Forecasts
概率预报变得越来越容易获得。应如何使用和传播这些信息?在实际使用中有哪些障碍?我回顾了五个问题的经验,概率预测发挥了重要作用。这让我确定了五种类型的潜在用户:低风险用户,他们不需要概率预测;一般评估者,他们需要对预测中的不确定性有一个整体的想法;变化评估者,他们需要知道变化是否与预期不符;风险规避者,他们希望限制不利结果的风险;和决策理论家,他们量化损失函数并执行决策理论计算。这表明与用户互动并考虑他们的目标是很重要的。认知研究告诉我们,校准对于概率预测的信任是重要的,并且重要的是将言语表达与任务相匹配。认知负荷应最小化,如果合适的话,将概率预测降低到一个百分点。不良事件的概率和感兴趣的量的预测分布的概率似乎通常是总结概率预测的最佳方式。形式化决策理论具有重要的作用,但应用范围有限。
2014-08-20 stat.AP
A Deep Learning Approach to Probabilistic Forecasting of Weather
Argonne National Laboratory(阿贡国家实验室)
我们讨论了一种基于两个链式机器学习步骤的概率预测方法:降维步骤,以保留预测量信息的方式将预测信息的降维映射学习到低维空间;以及密度估计步骤,使用概率机器学习规范化流技术来计算减少的预测因子和预测量的联合概率密度。然后将该联合密度重新归一化以产生条件预测分布。在该方法中,概率校准测试扮演着正则化过程的角色,防止在第二步中过度拟合,而从第一步开始的有效降维是预测清晰度的来源。我们使用一个22年的1小时的节奏时间序列的天气研究和预报(WRF)模拟数据的地面风网格上的方法进行验证。
2022-03-24 cs.LG physics.ao-ph stat.ML
DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks
Amazon Research(亚马逊研究院)
概率预测,即在给定时间序列的过去的情况下估计时间序列的未来的概率分布,是优化业务流程的关键使能器。例如,在零售业务中,预测需求对于在正确的时间在正确的地点提供正确的库存至关重要。在本文中,我们提出了DeepAR,这是一种基于大量相关时间序列训练自回归递归网络模型来生成准确概率预测的方法。我们展示了如何通过将深度学习技术应用于预测,人们可以克服广泛使用的经典方法所面临的许多挑战。我们通过对几个真实世界的预测数据集进行广泛的实证评估,与最先进的方法相比,准确性提高了约15%。
2019-02-22 cs.AI cs.LG stat.ML
Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting
AI Institute(人工智能研究院);Shanghai Jiao Tong University(上海交通大学)
概率时间序列预测是根据历史数据估计未来时间序列的分布,这对于下游决策中的风险管理至关重要。我们提出了一种用于概率时间序列预测的深层状态空间模型,其中非线性排放模型和过渡模型由网络参数化,相关性由递归神经网络建模。我们采取自动相关性确定(ARD)的观点,并设计了一个网络,利用外生变量,除了时间序列。特别是,我们的ARD网络可以结合外生变量的不确定性,并最终帮助识别有用的外生变量,并抑制那些与预测无关的外生变量。多步预测的分布近似的Monte Carlo模拟。我们在实验中表明,我们的模型产生准确和尖锐的概率预测。我们预测的估计不确定性也随着时间的推移以自发的方式实际增加。
2021-01-31 cs.LG stat.ML
Multi-objective probabilistic forecast combination for inventory demand
School of Economics and Management, Beihang University(北京航空航天大学经济管理学院);School of Management, University of Bath(巴斯大学管理学院)
针对现有概率预测组合方法忽略运营目标的问题,提出多目标优化框架,同时优化预测准确性和库存决策性能,在沃尔玛零售和英国皇家空军备件数据上验证了其平衡性和鲁棒性。
2026-06-03 stat.AP