Random Noise vs State-of-the-Art Probabilistic Forecasting Methods : A Case Study on CRPS-Sum Discrimination Ability
IAV GmbH（IAV有限公司）；DFKI GmbH（德国人工智能研究中心）；University of Kaiserslautern（凯泽斯劳滕大学）
机器学习领域的最新发展使得能够开发复杂的多变量概率预测模型。因此，有一个精确的评估方法来衡量这些复杂方法的性能和可预测性是至关重要的。为了做到这一点，在过去已经提出了几个评估指标（如能量分数，Dawid-Ratiani分数，变异函数分数），但是，他们不能可靠地衡量概率预报的性能。最近，CRPS-sum作为多变量概率预测的可靠度量获得了很多关注。本文提出了一个系统的评估CRPS-sum了解其歧视能力。我们表明，目标数据的统计特性影响的歧视能力的CRPS-Sum。此外，我们强调CRPS-Sum计算忽略了模型在每个维度上的性能。这些缺陷可能导致我们对模型性能的错误评估。最后，通过在真实数据集上的实验，我们证明了CRPS-Sum的缺点对概率预测性能方法提供了误导性的指示。我们表明，这是很容易有一个更好的CRPS-和虚拟模型，这看起来像随机噪声，在比较国家的最先进的方法。
2022-01-21 cs.AI cs.LG
When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting
Georgia Institute of Technology（佐治亚理工学院）
针对概率层次时间序列预测中分布连贯性缺失及数据集不一致的问题，提出PROFHiT模型，通过分布连贯性正则化联合建模整个层次预测分布，显著提升了准确率、校准效果及缺失数据下的鲁棒性。
2023-10-19 cs.AI cs.LG
GARDiff: Graph-Aligned Residual Diffusion for Probabilistic Multivariate Time-Series Forecasting
Shandong University（山东大学）；Macquarie University（麦考瑞大学）；China University of Petroleum (East China)（中国石油大学（华东））；University of Technology Sydney（悉尼科技大学）
GARDiff提出图对齐残差扩散框架，通过不确定性感知结构细化和时间步感知边稀疏化，解决解耦扩散预测中确定性图与残差结构的错位问题，提升概率预测性能。
2026-09-30 cs.AI cs.LG
When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting
针对概率分层时间序列预测中分布连贯性缺失及对不一致真实数据集适应性差的问题，提出全概率模型PROFHiT，通过引入Distributional Coherency正则化联合建模整个层级预测分布，显著提升了准确率、校准效果及对缺失数据的鲁棒性。
2023-10-19 cs.AI cs.LG
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
Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting
NVIDIA（NVIDIA公司）
本文提出了一种可扩展的框架，通过结合潜在空间和历史条件化的局部投影器，实现多尺度大气动力学的学习，从而提升中短期天气预报的准确性。
2026-01-26 cs.AI cs.LG
CycloneMAE: A Scalable Multi-Task Learning Model for Global Tropical Cyclone Probabilistic Forecasting
School of Computer Science, School of Software（计算机科学学院、软件学院）；Nanjing University of Information Science and Technology（南京信息工程大学）；School of Atmospheric Sciences（大气科学学院）；Shanghai Typhoon Institute（上海台风研究所）；China Meteorological Administration（中国气象局）；Nanjing University of Posts and Telecommunications（南京邮电大学）
CycloneMAE通过多模态数据学习可迁移的热带气旋表示，结合离散概率格机制与预训练/微调范式，实现确定性预报和概率分布输出，优于现有NWP系统。
2026-04-14 cs.AI cs.LG
$K^2$VAE: A Koopman-Kalman Enhanced Variational AutoEncoder for Probabilistic Time Series Forecasting
School of Data Science and Engineering, East China Normal University, Shanghai, China（数据科学与工程学院，东华大学，上海，中国）
本文提出 $K^2$VAE，通过 KoopmanNet 线性化非线性时序并由 KalmanNet 优化预测与不确定性建模，提升短期及长期概率时序预测的效率和精度。
2025-07-26 cs.AI cs.LG
SutraNets: Sub-series Autoregressive Networks for Long-Sequence, Probabilistic Forecasting
Huawei Cloud, Alkaid Lab Canada（华为云，Alkaid 实验室加拿大）
SutraNets通过将长序列预测转化为子序列上的多变量自回归，减少误差累积和路径距离，在六个真实数据集上显著提升预测精度。
2023-12-22 cs.AI cs.LG
Robust Probabilistic Time Series Forecasting
Seoul National University（首尔国立大学）；AWS AI Labs, Amazon Research（亚马逊研究院AWS人工智能实验室）
概率时间序列预测由于其量化不确定性的能力，在决策过程中发挥着至关重要的作用。然而，深度预测模型可能容易受到输入扰动的影响，这种扰动的概念以及鲁棒性的概念甚至还没有在概率预测领域完全建立起来。在这项工作中，我们提出了一个框架，强大的概率时间序列预测。首先，我们推广了对抗性输入扰动的概念，在此基础上，我们制定了有界Wasserstein偏差的鲁棒性的概念。然后，我们扩展了随机平滑技术，以获得强大的概率预测与理论的鲁棒性证书，对某些类别的对抗性扰动。最后，大量的实验表明，我们的方法是有效的经验，提高预测质量下添加对抗攻击和预测一致性下的噪音观测补充。
2022-02-24 cs.LG
Probabilistic Load Forecasting via Point Forecast Feature Integration
GEIRI North America（北美电力科学研究院）；State Grid Jiangsu Electric Power Company Ltd.（国网江苏省电力有限公司）
短期负荷预测是电力系统能量管理系统的重要组成部分。近年来，概率负荷预测（PLF）由于其提供不确定性信息的能力，有助于提高系统运行性能的可靠性和经济性而受到越来越多的关注。本文提出了一个两阶段的概率负荷预测框架，将点预测作为一个关键的概率预测功能集成到PLF。在第一阶段，所有相关的特征被用来训练一个点预测模型，并获得特征的重要性。在第二阶段中，考虑点预测特征以及所选择的特征子集来训练预测模型。在预测模型的测试阶段，利用最终的概率负荷预测结果进行点预测和概率预测。采用ISO新英格兰负荷数据进行的算例表明，该方法在小时前负荷预测中是有效的，点预测采用梯度提升回归，概率预测采用分位数回归神经网络.
2019-03-26 cs.LG stat.ML
DANLIP: Deep Autoregressive Networks for Locally Interpretable Probabilistic Forecasting
Toronto Metropolitan University（多伦多都会大学）；University of Toronto（多伦多大学）
尽管基于神经网络的时间序列预测方法具有高性能，但解释其预测的固有挑战限制了其在某些应用领域的适用性。由于难以确定这种黑箱方法的输入和输出之间的因果关系，它们很少被采用在法律和医学领域，其中结果的可靠性和可解释性可能是必不可少的。在本文中，我们提出了\model，这是一种新颖的基于深度学习的概率时间序列预测架构，本质上是可解释的。我们使用多个数据集和性能指标进行实验，并根据经验表明，我们的模型不仅是可解释的，而且还提供了与最先进的概率时间序列预测方法相当的性能。此外，我们表明，解释的参数的随机过程的兴趣可以提供有用的见解到几个应用领域。
2023-01-05 cs.AI cs.LG stat.ML
Temporal Latent Auto-Encoder: A Method for Probabilistic Multivariate Time Series Forecasting
IBM Research（IBM研究院）
高维多变量时间序列的概率预测是一个众所周知的具有挑战性的任务，无论是在计算负担和分布建模。大多数以前的工作要么做简单的分布假设或放弃建模交叉系列的相关性。一个有前途的工作线利用可扩展矩阵分解进行潜在空间预测，但仅限于线性嵌入，无法建模分布，并且在使用深度学习预测时无法进行端到端的训练。我们介绍了一种新的时间潜在自动编码器方法，该方法能够对多变量时间序列进行非线性因式分解，并使用时间深度学习潜在空间预测模型进行端到端学习。通过施加概率潜在空间模型，输入序列的复杂分布通过解码器建模。大量的实验表明，我们的模型在许多流行的多变量数据集上实现了最先进的性能，对于几个标准指标，增益有时高达$50\%$。
2021-01-25 cs.AI cs.LG cs.NE
A Multi-model Combination Approach for Probabilistic Wind Power Forecasting
Shandong University（山东大学）；Zhejiang University（浙江大学）；Argonne National Laboratory（阿贡国家实验室）；Tsinghua University（清华大学）
短期概率风电功率预测可以为电力系统运行和控制提供关键的量化的风电功率不确定性信息。由于风电功率预测误差的复杂性，很难开发出一种通用的预测模型来优于其他替代模型。因此，本文提出了一种新的多模型组合（MMC）方法的短期概率风力发电预测，利用不同的预测模型的优点。该方法可以结合不同的预测模型，提供不同的概率密度函数，以提高概率预测精度。采用基于稀疏贝叶斯学习、核密度估计和贝塔分布拟合的概率预测模型构成组合模型。MMC模型的参数求解基于贝叶斯框架。数值试验表明了所提出的MMC方法的有效性。
2017-02-13 cs.LG stat.AP
Probabilistic Time Series Forecasting with Structured Shape and Temporal Diversity
EDF（法国电力集团）；CNAM（法国国立工艺学院）
概率预测是对未来可能结果的分布进行预测。在本文中，我们解决这个问题的非平稳时间序列，这是非常具有挑战性的，但至关重要的。我们引入了基于形状和时间特征表示结构多样性的STRIPE模型，确保了可能的预测，同时又清晰准确。STRIPE对预测模型是不可知的，我们为它配备了一个依赖于决定点过程（DPP）的多样化机制。我们引入了两个DPP内核，用于在形状和时间方面对不同的轨迹进行建模，这两个内核都是可微的，并且被证明是半正定的。为了对多样性结构进行显式控制，我们还设计了一种迭代采样机制来解开潜在空间中的形状和时间表示。在合成数据集上进行的实验表明，在保持预测模型准确性的同时，STRIPE在表示多样性方面明显优于基线方法。我们还强调了迭代抽样方案的相关性和使用不同标准来衡量质量和多样性的重要性。最后，在真实数据集上的实验表明，STRIPE能够在最佳样本预测方面优于最先进的概率预测方法。
2021-04-10 cs.AI cs.LG stat.ML
Probabilistic Circuits for Irregular Multivariate Time Series Forecasting
ISMLL, University of Hildesheim, Germany（Hildesheim大学智能系统实验室）；VWFS, Data Analytics Research Center（数据分析研究中心）
本文提出CircuITS概率电路架构，有效捕捉多变量时间序列复杂依赖关系，提升不规则时间序列联合分布估计精度。
2026-10-14 cs.LG
Probabilistic Forecasting for Network Resource Analysis in Integrated Terrestrial and Non-Terrestrial Networks
Centre Tecnològic de Telecomunicacions de Catalunya (CTTC)（加泰罗尼亚电信技术中心（CTTC））；CONNECT Centre（CONNECT中心）；Munster Technological University（芒斯特理工大学）
本文研究集成地面与非地面网络中资源管理的概率预测方法，评估SFF技术相比LSTM在带宽和容量预测中的优势，并展示其量化不确定性的潜力及标准化路线图。
2025-03-26 cs.AI cs.LG cs.NI
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
Deep Probabilistic Koopman: Long-term time-series forecasting under periodic uncertainties
University of Washington（华盛顿大学）
复杂现象的概率预测对各种科学学科和应用至关重要。尽管问题的普遍性和重要性，一般的数学技术，允许稳定的长期预测校准不确定性措施是缺乏的。对于大多数时间序列模型，获得准确的概率未来时间步长预测的难度随着预测范围的增加而增加。在本文中，我们介绍了一种令人惊讶的简单方法，该方法描述了时变分布的特征，并能够合理准确地预测未来数千个时间步。这种技术，我们称之为深度概率Koopman（DPK），是基于线性Koopman算子理论的最新进展，并且不需要时间步进来预测未来的时间。Koopman模型也倾向于具有较小的参数占用空间（通常少于10，000个参数）。我们展示了这些模型在不同领域的长期预测性能，包括电力需求预测，大气化学和神经科学。对于电力需求建模，我们的领域不可知技术在最近的全球能源预测竞赛中优于所有177个特定领域的竞争对手。
2021-06-10 cs.LG
CLaST: Context-aware Contrastive VAE for Probabilistic Time Series Forecasting
Applied AI Institute（应用人工智能研究所）
该研究针对概率时间序列预测中传统模型难以捕捉时间依赖的问题，提出上下文感知对比VAE框架CLaST，通过对比损失学习上下文相似嵌入，在9个基准测试中均优于基线方法，短期与长期预测的CRPS、NMAE均有显著提升。
2026-09-25 cs.LG
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
Synergetic Learning of Heterogeneous Temporal Sequences for Multi-Horizon Probabilistic Forecasting
Shanghai Jiao Tong University（上海交通大学）
时间序列在交通、金融和医疗等应用中无处不在。时间序列经常受到外部因素的影响，特别是以异步事件的形式，使预测变得困难。然而，现有的模型主要是针对同步时间序列或异步事件序列，很难提供一种综合的方法来捕捉它们之间的关系。我们提出了变分协同多视野网络（VSMHN），一种新的深度条件生成模型。为了学习异构序列之间的复杂相关性，设计了一个量身定制的编码器，以结合深度点过程模型和变分递归神经网络的进展。此外，还设计了一种对齐时间编码和辅助转换方案，用于非对齐序列的批量训练。我们的模型可以有效地使用随机变分推理进行训练，并使用Monte-Carlo模拟生成概率预测。此外，我们的模型产生准确，尖锐和更现实的概率预测。我们还表明，建模异步事件序列是至关重要的多地平线的时间序列预测。
2021-01-31 cs.AI cs.LG stat.ML
On the use of Probabilistic Forecasting for Network Analysis in Open RAN
Centre Technologic de Telecomunicacions de Catalunya (CTTC/CERCA)（加泰罗尼亚电信技术中心（CTTC/CERCA））
本文提出在Open RAN架构中将概率预测技术用作rApp，用于估计基站PRB利用率和资源需求，实验证明DeepAR等概率预测方法优于LSTM等单点预测方法，提供更准确可靠的估计。
2024-07-19 cs.AI cs.DC cs.IT
Taming the Long Tail of Deep Probabilistic Forecasting
University of California, San Diego（加州大学圣地亚哥分校）
深度概率预测在许多应用中越来越受到关注，从天气预报到电力消耗估计，再到自动驾驶车辆轨迹预测。然而，现有的方法集中在最常见的情况下，没有解决罕见的和困难的情况下的性能的改进。在这项工作中，我们确定了最先进的深度学习方法在概率预测方面的长尾行为。我们提出了两个基于矩的尾部测量概念，以提高性能的困难的尾巴的例子：帕累托损失和峰度损失。峰度损失是关于损失分布的平均值的四阶矩的对称度量。帕累托损失是不对称的测量右尾，使用广义帕累托分布（GPD）建模的损失。我们展示了我们的方法在几个真实世界的数据集，包括时间序列和时空轨迹的性能，实现了显着的改善尾部的例子。
2022-03-02 cs.LG
Effective Probabilistic Time Series Forecasting with Fourier Adaptive Noise-Separated Diffusion
AMSS, Chinese Academy of Sciences（中国科学院自动化研究所）；AMAP, Alibaba Group（阿里巴巴集团）
本研究提出FALDA概率时间序列预测框架，基于DMRR框架结合傅里叶分解与轻量去噪器DEMA，降低认知不确定性，在六个基准上长期预测表现优于现有方法，且比SOTA点预测方法性能最高提升9%。
2025-05-16 cs.LG
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
Generative Probabilistic Time Series Forecasting and Applications in Grid Operations
Cornell University（康奈尔大学）
本文提出弱新息自编码器架构，从非参数平稳时间序列中提取独立同分布新息序列，并证明其贝叶斯充分性，在实时电价预测中优于领先的概率预测和点预测方法。
2024-02-21 cs.LG eess.SP stat.AP
Short-Term Solar Irradiance Forecasting Using Calibrated Probabilistic Models
Stanford University（斯坦福大学）；Open Climate Fix（开放气候修复）；National Center for Atmospheric Research（美国国家大气研究中心）
推进概率太阳能预测方法对于支持太阳能融入电网至关重要。在这项工作中，我们开发了各种最先进的概率模型预测太阳辐照度。我们调查使用事后校准技术，以确保良好校准的概率预测。我们训练和评估的模型使用公共数据从七个站在SURFRAD网络，并证明，最好的模型，NGBoost，实现更高的性能在每小时内的分辨率比最好的基准太阳辐照度预测模型在所有站点。此外，我们表明，NGBoost与CRUDE事后校准实现了相当的性能数值天气预报模型的小时分辨率预报。
2020-10-14 cs.LG stat.AP stat.ML
Probabilistic Forecasting Methods for System-Level Electricity Load Forecasting
Technische Universität Berlin（柏林工业大学）
负荷预测已成为能源安全的一个组成部分。由于在这种预测中可以考虑各种影响因素，因此也有各种各样的模型试图以各种方式将这些参数整合到系统中。由于概率负荷预测模型的重要性日益增加，在本分析中提出了不同的方法。重点是短期部门的不同模型。在此基础上，提出了另一个长期部门的模型。然后，所提出的模型放在相互之间的关系，并检查参考的优点和缺点。之后，所提出的文件进行了分析，重点是他们之间的可比性。最后，将讨论对文献中进一步发展领域的展望。
2022-10-17 cs.LG eess.SP
AutoGluon-TimeSeries: AutoML for Probabilistic Time Series Forecasting
Amazon Web Services（亚马逊云科技）；AWS AI Labs（AWS人工智能实验室）
本文提出开源AutoML库AutoGluon-TimeSeries，通过集成统计与机器学习模型，仅需3行代码即可实现高精度的概率时间序列预测，并在29个基准数据集上超越多种现有方法。
2023-08-10 cs.LG
A Primer on Kolmogorov-Arnold Networks (KANs) for Probabilistic Time Series Forecasting
Centre Tecnològic de Telecomunicacions de Catalunya (CTTC/CERCA)（加泰罗尼亚电信技术中心（CTTC/CERCA））
本文提出 P-KAN，将 KAN 的样条函数连接与 Gaussian、Student-t 预测分布参数化结合，用于卫星流量概率预测，并以更少参数在准确性、校准和效率—风险权衡上优于 MLP。
2025-10-19 cs.AI cs.LG eess.SP
Investigating Calibration Challenges in Probabilistic Electricity Price Forecasting
Institute for Automation and Applied Informatics（自动化与应用信息学研究所）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文指出当前概率电价预测中评分规则偏向锐度而忽视校准，导致过自信估计，呼吁未来研究转向校准感知的目标和架构。
2026-06-08 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
ProGen: Revisiting Probabilistic Spatial-Temporal Time Series Forecasting from a Continuous Generative Perspective Using Stochastic Differential Equations
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
ProGen提出利用随机微分方程和扩散生成模型进行概率时空预测，通过整合去噪分数模型与图神经网络，在四个交通数据集上超越现有确定性与概率模型。
2024-11-02 cs.LG stat.ML
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
QxEAI: Quantum-like evolutionary algorithm for automated probabilistic forecasting
针对预测对商业决策的重要性，提出基于类量子进化算法的QxEAI概率预测方法，训练类量子逻辑决策树与经典价值树，在三个真实数据集上实现了少人工的准确预测。
2024-06-21 cs.AI cs.LG cs.NE
On-line conformalized neural networks ensembles for probabilistic forecasting of day-ahead electricity prices
CNR（国家研究委员会）；University of Parma（帕尔马大学）
本文提出一种在线共形化神经网络集成方法，通过共形推断与在线重校准提升日前电价概率预测的小时覆盖率与概率评分稳定性。
2024-06-10 cs.LG
Bayesian Neural Networks with Monte Carlo Dropout for Probabilistic Electricity Price Forecasting
Faculty of Mathematics and Economics（数学与经济学学院）；Ulm University（乌尔姆大学）；Department of Mathematics, Natural and Economic Sciences（数学、自然科学与经济科学系）；Ulm University of Applied Sciences（乌尔姆应用科学大学）
本文提出利用贝叶斯神经网络与蒙特卡罗滴落进行概率电价预测，通过日间模式建模优于传统基准模型。
2025-11-12 cs.LG
Probabilistic Decomposition Transformer for Time Series Forecasting
Southeast University（东南大学）
时间序列预测在灾害预警、天气预报、能源消耗等许多领域都具有重要意义。基于Transformer的模型被认为是序列建模领域的革命。然而，时间序列的复杂时间模式阻碍了模型挖掘可靠的时间依赖。此外，Transformer的自回归形式在推理步骤中引入了累积误差。在本文中，我们提出了概率分解Transformer模型，结合了Transformer与条件生成模型，它提供了复杂的时间序列的层次和可解释的概率预测。Transformer用于学习时间模式并实现初级概率预测，而条件生成模型用于通过引入潜在空间特征表示来实现非自回归分层概率预测。此外，条件生成模型从潜在空间中的概率分布重建序列的典型特征，例如季节性和趋势项，以实现复杂的模式分离并提供可解释的预测。在多个数据集上进行的大量实验证明了该模型的有效性和鲁棒性，表明该模型与现有技术相比具有优势。
2022-10-31 cs.LG
pTSE: A Multi-model Ensemble Method for Probabilistic Time Series Forecasting
Ant Group（蚂蚁集团）；University of Virginia（弗吉尼亚大学）
针对概率时间序列预测中模型选择依赖数据特征且分布无法直接平均的问题，提出基于隐马尔可夫模型的多模型分布集成方法pTSE，仅利用成员模型输出，理论证明收敛性，实验优于成员模型和现有集成方法。
2023-08-31 cs.LG
Ensemble Conformalized Quantile Regression for Probabilistic Time Series Forecasting
UiT The Arctic University of Norway（挪威北极大学）；Kongsberg Satellite Services（康斯伯格卫星服务公司）；NORCE Norwegian Research Centre（挪威NORCE研究中心）
本文提出了一种新的概率预测方法集成整合分位数回归（EnCQR）。EnCQR构造无分布和近似边缘有效的预测区间（PI），适用于非平稳和异方差时间序列数据。EnCQR可以应用于通用预测模型之上，包括深度学习架构。EnCQR利用自举集成估计，它使使用保形预测的时间序列，消除了数据交换的要求。集成学习器被实现为执行分位数回归的通用机器学习算法，其允许PI的长度适应数据中的局部变化。在实验中，我们预测的时间序列的特点是不同数量的异方差。结果表明，EnCQR优于仅基于分位数回归或共形预测的模型，并且它提供了更清晰，更丰富和有效的PI。
2022-11-06 cs.LG
Hyperparameter Tuning MLPs for Probabilistic Time Series Forecasting
University Of Hildesheim（希尔德斯海姆大学）；VWFS Data Analytics Research Center（大众汽车金融服务数据分析研究中心）
本研究探究上下文长度、验证策略等时间序列相关超参数对最优MLP预测性能的影响，构建了含97200次评估的最大时间序列预测元数据集TSBench，并验证其在多保真度超参数优化中的效用。
2024-03-07 cs.LG
Navigating the Safety-Fidelity Trade-off: Massive-Variate Time Series Forecasting for Power Systems via Probabilistic Scenarios
ZJU-UIUC Institute, Zhejiang University（浙江大学伊利诺伊大学厄巴纳香槟校区联合学院）
针对现有基准无法评估大规模多变量概率预测的安全性与保真度权衡问题，提出包含多达36,964个通道的电力系统基准PowerPhase和场景式分位数预测器PowerForge，在多个网格上取得最佳平均排名。
2026-06-12 cs.LG
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
WeatherBench Probability: A benchmark dataset for probabilistic medium-range weather forecasting along with deep learning baseline models
Technical University of Munich（慕尼黑工业大学）；ClimateAi, Inc（ClimateAi公司）
WeatherBench是一个基准数据集，用于对位势、温度和降水进行中期天气预报，包括预处理数据、预定义的评估指标和一些基线模型。WeatherBench Probability通过添加一组已建立的概率验证指标（连续排名概率得分，扩展技能比和排名直方图）和使用ECWMF IFS集合预报的最先进的操作基线，将其扩展到概率预报。此外，我们还测试了三种不同的概率机器学习方法--蒙特卡洛退出、参数预测和分类预测，其中概率分布是离散化的。我们发现，简单的蒙特卡罗退出严重低估了不确定性。参数模型和分类模型都能产生质量相似的相当可靠的预测。参数模型的自由度更少，而分类模型在预测非高斯分布时更灵活。没有一个模型能够与业务IFS模型的技能相匹配。我们希望这个基准将使其他研究人员能够评估他们的概率方法。
2022-05-02 cs.LG physics.ao-ph
Multivariate Forecasting of Bitcoin Volatility with Gradient Boosting: Deterministic, Probabilistic, and Feature Importance Perspectives
Faculty of Electrical Engineering, Czestochowa University of Technology（电子工程学院，捷斯托霍瓦技术大学）；Faculty of Computer Science and Artificial Intelligence, Czestochowa University of Technology（计算机科学与人工智能学院，捷斯托霍瓦技术大学）
本文利用LGBM模型从确定性和概率性角度预测比特币波动率，并通过特征重要性分析识别波动驱动因素。
2025-11-25 cs.LG
XGBoostLSS -- An extension of XGBoost to probabilistic forecasting
我们提出了一个新的框架XGBoost预测整个条件分布的单变量响应变量。特别地，XGBoostLSS对参数分布的所有矩（即，平均值、位置、尺度和形状[LSS]），而不是仅条件平均值。从广泛的连续、离散和混合离散-连续分布中进行选择，对整个条件分布进行建模和预测，极大地增强了XGBoost的灵活性，因为它允许获得对数据生成过程的额外洞察，以及创建概率预测，从中可以导出预测区间和感兴趣的分位数。我们提出了一个模拟研究和现实世界的例子，证明我们的方法的优点。
2019-08-25 cs.AI cs.LG stat.ME
Probabilistic Forecasting of Real-Time Electricity Market Signals via Interpretable Generative AI
School of Electrical and Computer Engineering, Cornell University（康奈尔大学电气与计算机工程学院）
本文提出WIAE-GPF，一种基于Weak Innovation AutoEncoder的可解释生成式概率预测架构，通过非参数时间序列新息表示生成多元时间序列未来样本，在实时电力市场信号预测中始终优于经典与前沿机器学习方法。
2024-09-24 cs.LG econ.GN eess.SP
Enhancing Cloud-Native Resource Allocation with Probabilistic Forecasting Techniques in O-RAN
Centre Tecnològic de Telecomunicacions de Catalunya (CTTC)（加泰罗尼亚电信技术中心）；Nearby Computing S.L.（Nearby Computing有限公司）
本文探讨O-RAN云原生资源分配，提出将概率预测技术作为rApp集成，通过比较分析证明DeepAR优于其他确定性估计器，并讨论实际应用可行性。
2024-07-19 cs.AI cs.DC cs.IT
NBMLSS: probabilistic forecasting of electricity prices via Neural Basis Models for Location Scale and Shape
CNR（意大利国家研究委员会）；Institute of Intelligent Industrial Technologies and Systems for Advanced Manufacturing（智能工业技术与先进制造系统研究所）
提出位置尺度和形状的神经基模型（NBMLSS），结合GAMLSS的可解释性与可扩展共享基分解，在多市场电价预测中实现与分布神经网络相当的性能，同时提供更深入的模型行为见解。
2024-12-20 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
An End-to-End Approach for Microgrid Probabilistic Forecasting and Robust Operation via Decision-focused Learning
本文提出一种端到端决策聚焦方法，通过整合概率预测与稳健优化，提升微电网在不确定性下的经济性和可靠性。
2026-02-03 cs.LG cs.SY eess.SY
Deep Generative Quantile-Copula Models for Probabilistic Forecasting
Amazon（亚马逊）
我们介绍了一类新的多变量条件生成模型，并证明其性能和通用性的概率时间序列预测和模拟。具体地说，分位数回归网络的输出通过从潜在均匀分布到目标分布的单变量映射从一组固定分位数扩展到整个分位数函数。然后，通过学习每个维度的边缘分布的分位数函数，然后估计条件Copula来关联这些潜在的均匀随机变量，来解决多变量的情况。分位数函数和copula一起定义联合预测分布，可以通过单个隐式生成深度神经网络来参数化。
2019-07-24 cs.LG stat.ML
Scalable Dynamic Mixture Model with Full Covariance for Probabilistic Traffic Forecasting
University of Minnesota（明尼苏达大学）；Polytechnique Montreal（蒙特利尔理工学院）；McGill University（麦吉尔大学）
本文提出了一种可扩展的动态混合模型，利用全协方差建模时间变化的交通预测误差分布，提升预测性能并提供可解释的时空相关结构。
2025-04-08 cs.LG
