深度自回归循环网络的概率预测

Apr, 2017

DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks

David Salinas, Valentin Flunkert, Jan Gasthaus

TL;DR该论文提出 DeepAR 方法，通过基于大量相关时间序列训练自回归循环网络模型，实现准确的概率预测，并在多个真实预测数据集上展示了与现有方法相比约 15％的准确度提升。

Abstract

probabilistic forecasting, i.e. estimating the probability distribution of a time series' future given its past, is a key enabler for optimizing business processes. In retail businesses, for example, forecasting demand is crucial for having the right inventory available at the right ti

probabilistic forecasting deepar auto regressive recurrent network model deep learning techniques forecasting data sets

发现论文，激发创造

DeepCAR 方法：预测具有变化点的时间序列数据

该论文基于深度学习提出了 DeepAR 框架，用于时间序列预测。针对 DeepAR 模型在时间序列中的拐点会降低其预测性能的缺点，本文提出了一种检测拐点并将其纳入模型的方法。实验证明，该方法在无拐点情况下与标准 DeepAR 表现相同，在有拐点情况下表现更好，并且批处理大小是处理 DeepAR、Transformers 和其他现代预测模型中变化点问题的一种有效而简单的方式。

Feb, 2023

DANLIP：用于局部可解释概率预测的深度自回归网络

本文提出了模型，这是一种基于深度学习的概率时间序列预测结构，具有内在可解释性。我们通过多个数据集和性能度量进行实验，并经验证明，我们的模型不仅具有可解释性，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，我们证明了解释感兴趣的随机过程的参数可以为多个应用领域提供有用的见解。

Jan, 2023

概率自回归预测模型的对抗攻击

我们针对神经模型输出概率分布序列的情况，开发了一种更有效的对抗攻击方法。我们解决的关键技术挑战是如何通过蒙特卡罗估计输出序列的联合分布统计量。此外，我们将概率预测的先前工作扩展到贝叶斯设置中，可以对未来观测进行调节。我们证明了这种方法可以在股票市场交易和电力消耗预测等两项关键任务中成功生成具有小输入扰动的攻击。

Mar, 2020

VQ-AR: 向量量化自回归概率时间序列预测

该论文介绍了一种新颖的自回归模型 VQ-AR，使用离散表示来预测未来，并在多个时间序列数据集上展示了其能够取得先进的性能。

May, 2022

学习可解释的深度状态空间模型用于概率时间序列预测

本文引入一种基于深度状态空间模型的概率时间序列预测方法，其中非线性发射模型和转移模型由网络参数化，并采用循环神经网络对其进行建模。通过自动相关性确定网络，我们还开发了一个利用外生变量的网络，以及估算外生变量不确定性，最终有助于确定有用的外生变量和压制预测中不相关的变量。使用蒙特卡罗模拟来逼近多步预测的分布，实验表明我们的模型可以准确地预测并且估算的时间随着预测步数的增加而逐渐增长。

Jan, 2021

深度概率时间序列预测的更好批次

本研究提出了一种新的训练方法，可以考虑误差自相关性，提高深度概率时间序列预测模型的准确性，并通过多个公共数据集验证了方法的有效性。

May, 2023

深度学习模型预测股票指数的比较研究

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

利用深度学习和统计模型进行股票预测研究

使用机器学习、深度学习和统计分析技术来预测股票价格的准确模型一直是个具有挑战性的任务，本文将回顾多种深度学习算法，包括移动平均、ARIMA、LSTM、RNN、CNN 和全卷积神经网络模型，以及通过误差计算方法如均方根误差、平均绝对误差、均方误差等来评估其准确性，结果表明，较低的平均绝对误差（MAE）值可以更准确地预测股价。

Feb, 2024

C2FAR：精确概率预测的粗糙到精细自回归网络

我们提出了粗细自回归网络（C2FAR），一种对单变量数值随机变量的概率分布建模的方法。C2FAR 通过渐进细化的离散化来进行变量的层次化自回归生成，可以以指数级别的精度表示值，并且具有更高的灵活性，可以同时处理离散和连续的任意尺度和分布形状的时间序列，实现了在多个基准预测数据集上的改进。

Dec, 2023

使用深度神经网络进行相关时间序列预测：结果概述

本文提出两种深度学习模型来准确预测相关时间序列，第一个模型在每个时间序列上使用卷积神经网络，第二个模型通过在每个时间序列上添加自编码器，实现了多任务学习。在两个现实世界的相关时间序列数据集上，实验证明所提出的两种模型有效且优于大多数基线。

Aug, 2018