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

本文提出了条件向量分位函数和向量分位回归的概念。向量分位回归是一种针对给定协变量的条件向量分位函数的线性模型。该模型嵌入了著名的 Monge-Kantorovich 最优运输问题作为其核心的特殊情况。我们考虑了多重 Engel 曲线估计的应用。

Jun, 2014

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

本文介绍了一种概率时间序列预测的一般方法，通过结合自回归循环神经网络和隐含量子网络来建模时间动态并学习一系列时间序列预测模型，在真实数据和模拟数据上得出的结果表明，该方法在预测准确性和估计潜在时间分布方面具有优势。

Jul, 2021

本文通过支持向量机和非线性分位数回归结合非交叉约束的方法，进行了风能非参数概率预测的数值研究，并使用 Global Energy Forecasting Competition 2014 的公开数据进行了案例研究，结果表明该方法能够更准确地进行预测，避免交叉分位数预测的问题。

Mar, 2018

本研究提出了将 CP 与 QR 结合的预测推理程序，通过对输入协变量作回归来实现对分位函数的预测，借此推出具有本地经验保证的自适应预测间隔，并且证明了与现有方法相比具有相似的效率。

Apr, 2023

本文提出一种基于深度学习的通用算法，用于预测任意数量的分位数，并确保分位数单调性约束，达到机器精度，并在实验中获得最先进的结果，同时证明其可扩展性适用于大规模数据集。

Jan, 2022

本篇研究提出了一种新的算法，称为 Constrained Upper Quantile Bound (CUQB)，用于解决输入为昂贵黑盒函数的组合函数（混合模型）的高效有约束全局优化问题，并表明 CUQB 在约束和无约束情况下都显著优于传统贝叶斯优化，且具有更好的理论保证。

May, 2023

运用最优输运理论和 $c$- 凹函数的思想，我们有意义地定义了高维空间流形上的条件向量分位函数（M-CVQFs），从而实现了流形上多元分布的分布自由估计、回归及条件置信集计算。通过初步的合成数据实验，展现该方法的功效和关于非欧几里德分位数的含义的一些见解。

Jul, 2023