使用 Google Trends 正确地预测商品需求
本文提出了基于神经网络及外部信息学的时序商品销售预测方法,采用谷歌趋势时间序列探针结合多模态信息,预测基于商品的多相关数据不足的情况下其销售情况,其中使用的信息包括商品图片、元数据、相应销售数据及相关趋势。本文所提出的方法在多个方面表现,是同类方法中预测精度最高的一种。
Sep, 2021
提出了一种基于 Google Trends 数据的 influenza 跟踪模型 ARGO,该模型不仅可以捕捉感冒季的季节性变化,还可以捕捉人们在线搜索行为的时间变化,且具有灵活性、自我纠正性、稳健性和可伸缩性。
May, 2015
探索了预测的增长,这是一种使用明确的假设和定量估计的政治科学工具,可以帮助机构建立 AI 发展的中长期策略。该研究检查了成功的预测方法,其中包括了 Phillip Tetlock 的 “十个戒律”,并展示了超级预测员的案例研究和他们的洞察力最为可靠。对于应对快速变化的技术环境,设计师和政策制定者应该考虑预测作为第一道防线。
Mar, 2023
本文介绍了时间序列分析和预测的重要性,详细调查了各种用于预测的方法,包括 ARIMA、Prophet 和 LSTMs 等统计和深度学习模型,完整阐述了预处理和验证的流程。
Nov, 2022
本文提供了一个包含不同领域,不同类型的 20 种公开的时间序列数据集的综合时间序列预测归档,并对数据集进行特征分析来鉴别相似之处和不同之处。此外,作者还提供了一组标准基准预测方法的性能分析,以便研究人员使用文献进行算法比较。
May, 2021
该研究提出了一种综合评估和排名时间序列预测方法的基准方法,在机器学习和人工智能领域,通过比较分析 AutoGluon-Timeseries 和 sktime 两个时间序列预测框架的众多方法的性能,为选择最合适的预测方法提供了决策参考和工具。
Jul, 2024
本文阐述了如何使用社交媒体内容来预测真实世界的结果,具体来说,作者使用 Twitter 上的内容预测了电影的票房收入,并演示了如何使用从 Twitter 中提取的情感来进一步提高社交媒体的预测能力。
Mar, 2010
本文通过分析计算机科学领域当前热门的研究领域,探讨了导致这些研究领域出现的因素。利用包括论文、引用和资助信息在内的综合数据集,我们采用了决策树和逻辑回归等先进的机器学习技术,预测研究领域的趋势。分析结果表明,研究论文中引用数量(引用计数)在决定研究领域趋势方面起着关键作用,成为推动计算机科学领域趋势的最相关因素。此外,国家科学基金和专利对热门话题的影响随时间增加。逻辑回归模型在预测趋势方面表现优于决策树模型,具有更高的准确率、精确率、召回率和 F1 分数。通过超过随机猜测的基线,我们的数据驱动方法显示出更高的准确性和效力,为研究人员和机构提供了基于数据的决策和未来研究方向的宝贵洞察。
Aug, 2023