该论文研究了多输出模型组成的集成在多步预测问题中的应用，通过对 3568 个时间序列数据集和 30 个多输出模型的案例研究表明，基于仲裁和分窗策略的动态集成在多步预测中表现最好。

Jun, 2023

准确评估预测模型对于确保可靠的预测至关重要。我们提出了一个新的框架，从多个角度评估单变量时间序列预测模型，比如一步预测和多步预测。通过与经典预测技术比较，我们展示了这一框架的优势，并发现 NHITS 在多步预测上表现最佳，同时在异常处理方面被 Theta 等方法超越。这些发现突显了基于方面的模型评估的重要性。

Jun, 2024

多步预测在时间序列中，能够预测未来多个时间步长，是几乎所有时间领域的基础。本文通过表征最优预测策略的实例级方差，并提出了适用于多步预测的动态策略 (DyStrat)，在使用基于随机森林的分类器时，DyStrat 相较于最佳的固定策略有着 94% 的时间上优势，并且均方误差平均降低了 11%。我们的方法通常比当前方法的前 1 准确率提高三倍，并且表明 DyStrat 对于任何多步预测任务具有很好的泛化能力。

Feb, 2024

使用多输出支持向量回归（M-SVR）和多输入多输出（MIMO）策略，实现了多步预测；论文比较了三种预测策略，并提供了实际影响；结果表明，M-SVR 使用 MIMO 策略实现了最准确的预测，但计算成本较低。

Jan, 2014

本文研究了时间序列建模和预测，分别介绍了随机、神经网络和 SVM 基于模型的预测。实验结果表明不同模型的预测表现，以及采用不同评价指标评价不同模型。

Feb, 2013

本研究是一篇对深度学习预测方法的综述性文章，包括了预测方法在时间序列预测、工业预测及建立模型等方面的应用，以及该方法的优点和研究方向。

Apr, 2020

本文提出了一种基于深度学习的时间序列预测方法，并在两个数据集上进行了评估。该方法包括数据准备、模型训练和评估等步骤，并进行可视化检查。实验结果表明，如果数据集中的时间序列重复出现固定模式，则可以使用单个时间序列来训练深度学习网络。然而，对于股票市场收盘价格等较少结构化的时间序列，网络表现与重复观察到的最后一个值的基准线类似。该方法的实现和实验是开源的。

Feb, 2023

本研究比较了传统方法和新兴神经网络方法的时间序列预测性能，使用了各种度量标准来评估它们的性能，结果表明 Deep AR 比所有其他深度学习和传统方法表现得都好，且其预测能力不会因训练数据量减少而降低。这表明，将深度学习方法纳入预测场景中显著优于传统方法，并可处理复杂的数据集，在天气预报和其他时间序列应用等各种领域具有潜在应用。

Jun, 2023

本研究旨在比较不同深度学习模型在短期负荷预测方面的准确性，并针对葡萄牙的国家网联合短期负荷预测，进行多层感知器、N-BEATS、长短期记忆神经网络和时间卷积网络等一些具有代表性的自回归神经网络的评估，并进行后续分析以确定最合适的模型。结果表明，N-BEATS 模型始终优于其它深度学习模型，并且外部因素显著影响准确性，从而影响模型的实际和相对性能。

Feb, 2023

通过引入自适应标准化来缓解市场中常见的数据集变化效应，学习算法可以优先揭示目标变量和解释变量之间的真实关系，从而提高预测模型性能。

Nov, 2023