贝叶斯条件协整
本研究提出了将CP与QR结合的预测推理程序,通过对输入协变量作回归来实现对分位函数的预测,借此推出具有本地经验保证的自适应预测间隔,并且证明了与现有方法相比具有相似的效率。
Apr, 2023
本文提出了一种隐马尔可夫模型,旨在研究收益持续性的复杂性质。应用该模型于收入动态面板研究数据集,研究发现收益过程表现出非线性持久性、条件偏度和条件峰度,与此同时,短期成分还具有非高斯性质。
May, 2023
提出了一种解决非均匀时间间隔和时间上的不对齐问题的概率预测模型,该模型通过允许观测时间成为模型构建的核心来克服现有方法的局限性,使用条件流表示来非参数地表示数据分布,并通过精心分解对数似然目标来监督该表示。
Jun, 2023
本研究描述了一种可视为加法和乘法指数平滑模型的季节性和非季节性时间序列模型家族,它们的发展受到了快速增长、波动性时间序列的推动,并借助先进的贝叶斯拟合技术的便利。在应用于M3比赛数据集时,它们的性能超过了比赛中最好的算法及其他基准方法,因此在文献中达到了我们所知的单变量方法在该数据集上的最佳结果。
Sep, 2023
我们提出了一种基于可识别的潜在环境状态(IDEA)的方法来检测分布转变发生的时间,并通过充分观察假设来解耦稳态和非稳态潜在状态的变化,其中包括自回归隐马尔可夫模型来估计潜在环境和模块化先验网络来识别潜在状态。在各种基准数据集上,IDEA模型优于几种最新的非稳态预测方法,突显了其在实际场景中的优势。
Feb, 2024
本研究使用高斯过程(GPs)探索了对具有基本结构的均值回归时间序列进行预测的应用,使用相对未开发的函数和增强数据结构。通过模拟数据,我们可以将预测分布与测试集的实际分布进行比较,从而减少对实际数据进行时间序列模型测试时固有的不确定性。
Feb, 2024
本研究聚焦于解释全球范围内,年度时间数据的变化,旨在识别导致这些时间转变的关键因素。我们利用局部可解释的模型不可知解释(LIME)来阐明国家幸福指数、经济自由和人口统计指标,并跨越不同时间段。通过三种填充方法来处理缺失值,我们生成了适用于LIME输入要求的稳健多变量时间序列数据集。通过一系列涉及多个数据集的实证评估,我们证实了我们的方法的有效性。这些评估包括与随机特征选择的比较分析,通过LIME阐述的与现实世界事件的相关性,以及使用个体条件期望(ICE)图进行验证,这是一种在特征重要性检测方面精通的先进技术。
Apr, 2024
在Smyl等人提出的《局部和全局趋势贝叶斯指数平滑模型》研究中,提出了一种能够捕捉时间序列中强趋势和波动性的广义指数平滑模型。通过对原模型进行改进以及引入自定义的Gibbs采样器进行后验探索,该方法在时间序列预测任务中取得了最先进的性能,并且由于提高了采样速度一个数量级,使得该模型在实际应用中更具实用性。新模型和采样器在M3数据集上进行了评估,显示出在准确性上与原方法相比具有竞争力或更优越性能,并且运行速度更快。
Jun, 2024
非平稳系统在世界上随处可见,需要分析非平稳过程的方法很多,但大多数时序分析方法都是基于平稳性的假设,而一个关键问题是从观察到的时间序列中推断参数,而无需了解或推断出底层系统的数学模型。我们在这里对PINUP问题的算法进行了综述和统一,纳入了各种算法贡献,并提出了更具挑战性的问题,以推动该领域的方法学进展和对非平稳现象的研究。
Jul, 2024