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

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。

Jul, 2019

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

本研究基于卷积神经网络提出了一种概率预测框架，可用于多个相关时间序列的预测，并可在参数和非参数设置下估计概率密度。该方法通过堆叠残差块实现了序列的时间依赖关系，并通过表示学习捕获了季节性、假日效应等复杂模式，实验证明该框架在精度和效率方面均优于当前其他方法。

Jun, 2019

该论文介绍了一种新颖的自回归模型 VQ-AR，使用离散表示来预测未来，并在多个时间序列数据集上展示了其能够取得先进的性能。

May, 2022

提出一个基于循环神经网络和神经随机微分方程的框架，以处理不规则采样下时间序列插补中的不确定性量化问题，并通过解析表达式量化和传播时刻间认知和随机不确定性，该方法在 IEEE 37 总线测试分布系统上优于现有的时序数据插值不确定性量化方法。

Jun, 2023

本文提出了一种基于贝叶斯 RNN 模型的非线性时空预测方法，旨在通过量化不确定性来提高预测准确性，同时通过简单修正基本的 RNN 以适应非线性时空数据的独特性。该方法成功应用于一种 Lorenz 模拟以及两个实际的非线性时空预测应用。

Nov, 2017

该论文提出了一种新颖的通用方法，能够预测任意分位数，并应用于两种不同的神经网络结构，在短期电力需求预测任务中取得了最新的分布预测结果。

Apr, 2024

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

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