在实际的移动出行需求预测系统中，传统的时间序列预测方法难以准确预测高动态波动的需求。本研究提出了一种扩展循环混合密度网络（XRMDN）模型，通过对历史数据序列的趋势进行捕捉，提高了动态高波动环境下的预测精度，并在真实移动出行数据集上的综合实验证实了其性能优于统计学、机器学习和深度学习模型。该研究不仅对于移动出行需求预测有贡献，也在其他应用领域的优化问题、特别是在不确定环境下的优化中具有重要意义。

Oct, 2023

本文提出了两种基于混合密度网络的分类模型，通过将高斯混合模型拟合到数据中，并使用拟合的分布通过评估学习到的累积分布函数对给定样本进行分类。这些模型在三个公开数据集上表现略优于或与五个基准分类模型相当，并通过真实世界的产品捆绑应用展示了其实际用途。具体而言，我们使用这些模型从单个产品的合成销售数据中学习愿意支付（WTP）分布，并利用所学到的 WTP 分布的高斯混合表示来获得由两个产品组成的捆绑产品的 WTP 分布。这些提出的基于混合密度网络的模型能够很好地近似两个产品和捆绑产品的真实 WTP 分布。

Feb, 2024

本文研究了新型的图神经网络 (Graph Neural Networks) 在处理非欧几里德图结构数据时的应用。作者提出了一种将 Graph Neural Network 和混合密度网络 (Mixture Density Network, MDN) 相结合的新型网络 (Graph Mixture Density Network), 该网络可将图结构信息嵌入到深度神经网络中，并在数据具有图结构、有多模态回归目标或是需要模拟多峰分布的情况下表现优异。作者在基于人类姿势估计的任务中，比较了该网络与其他现有的图神经网络模型，结果表明该模型有效地提升了预测性能。

Oct, 2020

通过深度学习构建融合多通道数据的网络（MCDFN），提高需求预测准确性并实现可解释性，优于其他七个深度学习模型，适用于供应链管理系统且为未来研究提供方向。

May, 2024

该研究论文在需求预测中通过整合图神经网络到先进的 DeepAR 模型，并利用文章属性相似性构建图形，提出了一种解决独立文章预测和相关文章交互的方法，实验结果表明该方法在真实数据集上始终优于非图形基准，同时产生了对下游业务任务有用的文章嵌入。

Jan, 2024

通过将神经网络引入 Dynamic Mode Decomposition 模型，让其能更好地模拟全球海表温度，以支持在几年到十年时间尺度内气候适应性决策的制定。

Jun, 2021

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。

Apr, 2017

本研究旨在使用深度序列方法来预测网络流量需求，其中包括基于经验模态分解（EMD）的噪声抑制、基于经验规则的异常值检测和基于 K - 最近邻的异常值缓解。

Jun, 2023

通过整合新闻详情中真实生活事件、历史销售数据、节假日信息以及 Google Trends 产品趋势数据，提出了一种多模式销售预测网络，该网络在超市实际数据集中比现有的销售预测技术具有统计显著性的改进，平均 SMAPE 误差率提高了 7.37％。

Oct, 2022

该研究提出了一种新的机器学习模型 —— 图混合密度网络，可适用于任意拓扑结构的多模态输出分布拟合。研究结果表明，该模型在应对结构化数据相关的挑战性条件密度估计问题方面表现突出，并可应用于随机传染病模拟等领域，且能有效提高结果的预测不确定性。

Dec, 2020