深度生成分位数 - 统合模型用于概率预测

ICMLJul, 2019

深度生成分位数 - 统合模型用于概率预测

Deep Generative Quantile-Copula Models for Probabilistic Forecasting

Ruofeng Wen, Kari Torkkola

TL;DR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。

Abstract

We introduce a new category of multivariate conditional generative models and demonstrate its performance and versatility in probabilistic time series forecasting and simulation. Specifically, the output of quantile regression networks is expanded from a set of fixed quantiles to the w

multivariate conditional generative models quantile regression networks probabilistic time series forecasting latent uniform distribution deep neural network

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

超越期望：用于时空问题的深度联合均值和分位数回归

在此研究中，我们提出了一种多输出多分位深度学习方法，旨在联合建模几个条件分位数以及条件期望，以提供关于预测密度的更完整 “图像”，通过从多任务学习的视角来解决分位数交叉问题，并证明了通过联合建模均值和若干个条件分位数不仅能够捕获异方差特性，而且由于额外信息和添加分位数所引起的正规化效应，还能够提高条件期望的预测精度。

Aug, 2018

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

多层时间跨度分位数循环预测器

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。

Nov, 2017

通过偏导数实现深层非交叉分位数

本文提出一种基于深度学习的通用算法，用于预测任意数量的分位数，并确保分位数单调性约束，达到机器精度，并在实验中获得最先进的结果，同时证明其可扩展性适用于大规模数据集。

Jan, 2022

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

在异常值存在的情况下，使用 Beta 分位回归进行鲁棒估计不确定性

基于鲁棒分位数回归和深度学习的方法，在关键特征异常值存在的情况下，提出了用于估计不确定性的方法，并在医学成像翻译任务中展示了其适用性。

Sep, 2023

自回归分位数网络用于生成建模

通过引入自回归隐式分位数网络 (AIQN)，本文提出了一种与传统模型不同的生成模型方法，通过量化回归隐式地捕获分布，AIQN 可以在不损失样本多样性的情况下实现优越的感知质量和评估度量的改进，使用 Inception score、FID、非樱桃挑选样本和修补结果等指标，我们将 AIQN 扩展到 PixelCNN 模型，并在 CIFAR-10 和 ImageNet 上展示结果，结果表明，AIQN 可以稳健地提高感知质量，同时仍保持高度多样化的分布。

Jun, 2018

非参概率风力预测的受约束支持向量分位回归的实证分析

本文通过支持向量机和非线性分位数回归结合非交叉约束的方法，进行了风能非参数概率预测的数值研究，并使用 Global Energy Forecasting Competition 2014 的公开数据进行了案例研究，结果表明该方法能够更准确地进行预测，避免交叉分位数预测的问题。

Mar, 2018

低秩高斯 Copula 过程的高维多元预测

本文提出使用基于 RNN 的时间序列模型与带有低秩协方差结构的高斯联合分布过程输出模型相结合，以减少计算复杂度和处理非高斯边际分布，并在多个真实数据集上证明其性能优于现有方法。

Oct, 2019