本文提出了一种新的基于模型的时间序列聚类方法，该方法通过考虑每个聚类所属的系列来拟合 K 个全局预测模型，然后将每个系列分配给产生最佳预测的模型关联的组。该方法以预测准确性作为构建聚类分区的主要元素，产生了一种新的聚类范例，其中聚类解决方案的质量是通过其预测能力来衡量的。此外，该过程还产生了一种选择时间序列数据库中聚类数量的有效机制，并且可以与任何类回归模型结合使用。大量模拟研究表明，该方法优于其他几种替代技术，包括聚类效果和预测准确性。该方法还应用于多个时间序列文献中使用的标准基准数据集的聚类中，产生了良好的结果。

Apr, 2023

本研究提出了一种混合模型，将经典时间序列模型与基于深度神经网络的模型结合起来，通过全局深度组件实现可扩展性和数据驱动，同时通过本地经典模型处理不确定性。实验证明，该模型在数据效率、准确性和计算复杂性方面具有优势。

May, 2019

本文提出了一种能够全局认知并在本地进行校准的深度预测模型 DeepGlo, 它是一个混合模型，将全局矩阵因式分解模型与另一个能够捕捉每个时间序列及相关协变量的局部属性的时间网络相结合，证明了 DeepGlo 对于高维时间序列的预测要比其他方法更加准确。

May, 2019

本文旨在理解全局性和局部性在基于图的时空预测中的相互作用，并同时提出了一种方法论框架来合理化在这些结构中包含可训练节点嵌入的实践，通过在多个实验中提供强有力的经验证据和指导，我们论证了如何将图形模型专业化以适应每个时间序列的规律，展示了这个方面在获得准确预测中的关键作用。

Feb, 2023

本研究提出了一种可扩展的分层预测方法，利用基础时间序列的系数对分层约束进行建模，并使用一个随时间变化的线性自回归模型，同时考虑了相对时间序列预测的协调约束，实验证明该方法相较于现有分层模型具有显著的预测性能提升。

Jun, 2021

在经济学及其他预测领域中，现实世界问题过于复杂，难以用单一模型假设一种具体的数据生成过程。两种基于时间序列特征的方法：基于特征的模型选择和基于特征的模型组合，对于预测大量时间序列时，各种方法的预测性能随时间序列的性质发生变化。本章讨论了最先进的基于特征的方法，并参考开源软件实现。

Sep, 2023

本文提出了一种结合了经典时间序列模型和深度神经网络优点的数据驱动和可扩展的混合模型，通过潜在的全局深层次组件和局部的经典高斯过程模型来处理不确定性，并在实践中展示了比现有技术更高的准确性。

Nov, 2018

在连续机器学习领域，采用博弈论方法研究了不依赖于数据流生成源的随机特性的情况，提出了一种面向本地平稳时间序列的在线预测算法，并估计了算法的效率。

Oct, 2023

研究多元时间序列预测模型中解决缺失值问题，提出了一种新的组合局部和全局时间动态的框架 LGnet，并探索了记忆网络和对抗训练的应用，实验证明其在不同缺失比例下的预测有效性和健壮性。

Nov, 2019

本文研究了聚合理论中的统计学设置，并通过用较小的局部复杂度替换全局复杂度来加强经典聚合理论的结果，包括基于 Leung 和 Barron 的指数权重估计器的局部经典简单限制，并针对 Q - 聚合估计器提出了偏差最优限制。

Jun, 2023