time series forecasting involves collecting and analyzing past observations
to develop a model to extrapolate such observations into the future.
Forecasting of future events is important in many fields to support decision
making as it contributes to reducing the future uncertainty. We
本文提出了一种基于线性模型的高效时间序列预测模型,其核心组成部分包括:(1)将单通道和多通道数据的不同语义进行集成,对数据进行联合预测;(2)使用一种新的损失函数来替代传统的 MSE 和 MAE 损失以达到更高的预测精度。在广泛使用的基准时间序列数据集上,我们的模型不仅性能优于当前的 SOTA,而且速度提高了 10 倍,并且比最新的 SOTA 模型参数更少。
本文采用贝叶斯回归法建模时间序列,并堆叠不同的预测模型,使其能够估计时间序列预测不确定性和风险特征,同时探讨使用贝叶斯回归的层次化模型来应对历史数据短、数据变化不明显的销售预测问题。结合 ARIMA, 神经网络,随机森林和 Extra Tree 模型进行预测,利用二层的贝叶斯回归法通过估计回归系数的分布进行信息融合,以最终预测的风险做决策支持。
通过运用博弈论、局部特征交互作用效应和全局模型结构,我们实现了对基于树的机器学习模型的高可解释性,应用于三个医疗机器学习问题,在透露模型全局结构的同时保持其基本特征,识别出美国人口中高强度但低频率的非线性死亡风险因素,突显具有共同危险特征的明显人口亚组,识别出慢性肾脏疾病危险因素之间的非线性交互作用效应,并监测在医院部署的机器学习模型(Identifying factors leading to model's performance decay over time)