多层时间跨度分位数循环预测器

NIPSNov, 2017

A Multi-Horizon Quantile Recurrent Forecaster

Ruofeng Wen, Kari Torkkola, Balakrishnan Narayanaswamy, Dhruv Madeka

TL;DR提出一种概率多步时间序列回归的框架，使用序列到序列神经网络（如递归和卷积结构）的表达力和时间特性，量化回归的非参数特性以及直接多视角预测的有效性；并通过针对连续网络的分支序列新训练方案来提高稳定性和性能。通过预测亚马逊销售的商品未来需求和公共概率预测竞赛来展示该框架的性能。

Abstract

We propose a framework for general probabilistic multi-step time series regression. Specifically, we exploit the expressiveness and temporal nature of Sequence-to-Sequence neural networks (e.g. recurrent and convolutional structures), the nonparametric nature of →

time series regression neural networks quantile regression forecasting demand prediction

发现论文，激发创造

使用隐式分位数网络的概率时间序列预测

本文介绍了一种概率时间序列预测的一般方法，通过结合自回归循环神经网络和隐含量子网络来建模时间动态并学习一系列时间序列预测模型，在真实数据和模拟数据上得出的结果表明，该方法在预测准确性和估计潜在时间分布方面具有优势。

Jul, 2021

多元分位函数预测器

使用多元分位函数预测器（MQF $^2$），结合输入凸神经网络，提出全局概率预测方法，能准确地预测多种时间跨度的数据，并且能够有效地捕捉到时间依赖结构和避免分位数交叉。

Feb, 2022

基于时序卷积神经网络的概率预测

本研究基于卷积神经网络提出了一种概率预测框架，可用于多个相关时间序列的预测，并可在参数和非参数设置下估计概率密度。该方法通过堆叠残差块实现了序列的时间依赖关系，并通过表示学习捕获了季节性、假日效应等复杂模式，实验证明该框架在精度和效率方面均优于当前其他方法。

Jun, 2019

深度生成分位数 - 统合模型用于概率预测

本研究介绍了一种新的多元条件生成模型，并展示了它在概率时间序列预测和模拟中的性能和多功能性。

Jul, 2019

多时标概率预测的异构时间序列的协同学习

本文提出了一种深层条件生成模型，命名为变分协同多视界网络（VSMHN），以捕捉各种异质序列的复杂关系，训练过程使用随机变分推理，并生成更准确、更尖锐和更逼真的概率预测，同时表明建模异步事件序列对于多视界时间序列预测非常重要。

Jan, 2021

一种新的平滑损失和惩罚函数，用于通过深度神经网络进行非交叉复合分位数估计

本文提出了一种新的平滑损失及惩罚函数的神经网络方法，用于解决智能电力系统中风能等可再生能源的概率预测问题中遭遇的分位数交叉问题，实证研究结果表明该方法可以有效提高风力发电预测的准确性。

Sep, 2019

基于神经 SDE-RNN 的不确定性量化通用框架

提出一个基于循环神经网络和神经随机微分方程的框架，以处理不规则采样下时间序列插补中的不确定性量化问题，并通过解析表达式量化和传播时刻间认知和随机不确定性，该方法在 IEEE 37 总线测试分布系统上优于现有的时序数据插值不确定性量化方法。

Jun, 2023

贝叶斯循环神经网络模型用于空间 - 时间数据的预测和不确定性量化

本文提出了一种基于贝叶斯 RNN 模型的非线性时空预测方法，旨在通过量化不确定性来提高预测准确性，同时通过简单修正基本的 RNN 以适应非线性时空数据的独特性。该方法成功应用于一种 Lorenz 模拟以及两个实际的非线性时空预测应用。

Nov, 2017

时间序列预测的循环神经网络

本文介绍了一种基于递归神经网络的时间序列预测框架，包括特征工程、特征重要性、点和区间预测以及预测评估，并使用 LSTM 和 GRU 网络进行了实证研究。

Jan, 2019

一种面向边缘计算的在线时间序列预测的新型高维计算框架

将非线性低维时间序列数据映射到高维空间进行线性高维预测，以实现快速、高效和轻量级的在线时间序列预测，并使用新颖的联合训练框架适应时间序列分布的变化。TSF-HD 在短期和长期时间序列预测中表现出优越性能，推理延迟较小。

Feb, 2024