Jan, 2022

基于贝叶斯回归的建模和堆叠方法在时间序列分析中的应用

PDF
TL;DR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。
发现论文，激发创造
  • 具有贝叶斯建模的分层时间序列预测

    我们专注于从贝叶斯角度进行预测调和，提出了一种方法来预测调和，并定义了具有线性结构的普通情况 - 线性高斯调和。我们在合成和真实数据集上评估了这些方法，并将它们与该领域的其他工作进行了比较。

    Aug, 2023

  • 时间序列分析的线性、机器学习和概率方法

    本文研究时间序列建模的不同方法，描述使用线性模型、ARIMA 算法、XGBoost 机器学习算法的预测方法，并展示不同模型组合的结果，同时考虑使用 copulas 和贝叶斯推断的概率建模方法。

    Feb, 2017

  • 相关计数时间序列分组的有效贝叶斯建模

    本文介绍了一种适用于计数时间序列数据的分层贝叶斯模型，能够轻松地考虑影响因素和在相关的时间序列数据组之间共享统计信息，并提出了一种高效的近似推理方法，并在供应链规划的多个数据集上进行了性能测试。

    May, 2014

  • 非线性回归模型的近似贝叶斯计算

    介绍了一种基于机器学习的方法，通过非线性条件异方差回归和改进的重要性采样方法估计后验概率密度，相较于现有方法在统计遗传学和排队模型等领域计算负担减轻了不少。

    Sep, 2008

  • 贝叶斯回归与比特币

    本文介绍了贝叶斯回归方法在比特币价格预测中的有效性，使用贝叶斯回归预测了比特币的实时价格，并且设计了一个简单的交易策略，该策略能够在不到 60 天的时间内将投资增加近一倍。

    Oct, 2014

  • 基于模拟的堆叠

    使用可证明的渐近保证，我们提出了一种通用的堆叠方法，能够结合多个后验近似，融合密度、模拟抽样、置信区间和矩，同时解决整体精度、校准、覆盖率和偏差的问题。我们通过几个基准模拟和具有挑战性的宇宙学推断任务来说明我们的方法。

    Oct, 2023

  • 贝叶斯回归树模型用于因果推断：正则化，混淆和异质效应

    提出了一种针对小效应、异质性效应和强混淆情况下估计异质性治疗效应的新型非线性回归模型，它通过直接将倾向函数估计值纳入响应模型的规范化中，隐式地在回归函数上产生一个协变量依赖的先验，从而回避了标准非线性回归模型在针对混淆强的数据上所产生的治疗效应估计偏倚的问题。同时，这种基于贝叶斯因果森林模型的方法使得治疗效应的异质性能够被分别规范化，从而实现对异质性进行信息收缩。通过对一项关于吸烟对医疗支出因果效应的观察性研究重新分析和广泛的模拟研究，我们表明了这些好处。

    Jun, 2017

  • 使用堆叠方法对贝叶斯预测分布进行平均

    我们提出了一种基于预测分布的 Stacking 方法，利用 Pareto-smooth 重要性采样计算所需的单次观察后验分布和正则化以获得更好的稳定性，比较结果表明我们的方法在计算成本可接受的情况下优于其它方法。

    Apr, 2017

  • 多地点销售交易预测的分层贝叶斯回归

    本文介绍一种基于层次贝叶斯方法的预测模型，使用数据聚合和分组技术来改善店铺销售预测的准确性。

    Jun, 2023

  • 时间序列的非参数顺序预测

    本文基于一组‘专家’结合提出了非参数化的预测策略，并在最少条件下展示了这些策略的普适一致性。通过对真实数据集的深入分析表明，这些非参数化策略比 ARMA 方法更具灵活性，更快速，并且在归一化累积预测误差方面总体表现更好。

    Jan, 2008