我们专注于从贝叶斯角度进行预测调和，提出了一种方法来预测调和，并定义了具有线性结构的普通情况 - 线性高斯调和。我们在合成和真实数据集上评估了这些方法，并将它们与该领域的其他工作进行了比较。

Aug, 2023

本文提出了一种贝叶斯方法来处理数据流中连续模型更新和适应底层数据生成分布的漂移问题，使用非共轭分层先验来显式地建模模型参数的时间变化，并导出了一种新的变分推断方案，验证实验表明这种方法在三个潜变量模型的三个真实数据集上具有良好的效果。

Jul, 2017

本文介绍一种基于层次贝叶斯方法的预测模型，使用数据聚合和分组技术来改善店铺销售预测的准确性。

Jun, 2023

本文采用贝叶斯回归法建模时间序列，并堆叠不同的预测模型，使其能够估计时间序列预测不确定性和风险特征，同时探讨使用贝叶斯回归的层次化模型来应对历史数据短、数据变化不明显的销售预测问题。结合 ARIMA, 神经网络，随机森林和 Extra Tree 模型进行预测，利用二层的贝叶斯回归法通过估计回归系数的分布进行信息融合，以最终预测的风险做决策支持。

Jan, 2022

本文提出了一个简单的非参数建模技术和实现它的算法 - 贝叶斯区块 (Scargle 1998) 的改进和推广版本，该算法在数据的观测时间内找到了数据的最佳分段。

Jul, 2012

本文提出几种候选的分层贝叶斯模型，用于预测单个医院 COVID-19 日住院患者人数，并将其演示在美国马萨诸塞州 8 家医院和英国 10 家医院的公共数据集上，并将其与现有基线方法进行比较。

Apr, 2021

本文介绍了一种多变量分层结构模型，可同时建模计数生成过程和延迟机制，并可以轻松调整以适应观察计数中的欠报告存在。在对里约热内卢报告的登革热病例进行案例研究后，通过样本内和样本外后验预测模型检验以及可解释性，适应性和计算效率的讨论，比较了各种建模框架的优缺点。

Apr, 2019

本文介绍一种基于图形结构的方法，用于在时间序列预测的深度学习中统一相对和层次的归纳偏见，该方法相对其他方法效果更佳。

May, 2023

介绍了一种基于机器学习的方法，通过非线性条件异方差回归和改进的重要性采样方法估计后验概率密度，相较于现有方法在统计遗传学和排队模型等领域计算负担减轻了不少。

Sep, 2008

我们提出了一种贝叶斯模型，用于时间双聚类问题的分析，其中包含嵌套分区，通过这种方法可以发现多个主体之间在时间上记录的测量数据存在相似趋势以及相关测量数据的时间变化群组，并可根据数据来确定主体和测量群组的数量以及测量分区中变化点的数量和位置。

Jun, 2024