本文研究了时间序列建模和预测,分别介绍了随机、神经网络和 SVM 基于模型的预测。实验结果表明不同模型的预测表现,以及采用不同评价指标评价不同模型。
Feb, 2013
本文探讨神经网络中应用于时间序列预测的一些问题,提出了一种正则化方法,该方法能够缓解预测中所观测到的问题,并在合成和真实数据集上进行了评估。
Jul, 2022
本文提出了一种新颖的端到端的贝叶斯深度模型,用于提供时间序列预测和不确定性估计,并成功地应用于 Uber 的大规模时间序列异常检测。
Sep, 2017
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
我们研究了内容基于时间序列检索(CTSR)问题,针对包含多个领域的数据库提出了一个基准数据集,并比较了几种常见的时间序列建模和检索方法。鉴于这一问题的重要性,我们提出了一种优于现有方法的新型距离学习模型。研究总结了跨多个领域解决 CTSR 问题的重要性,并为未来研究提供了有用的基准数据集。
Nov, 2023
本文利用时间序列预测技术对匈牙利的水痘病例进行模拟预测,演示 LSTM 模型在县级预测方面的表现优于其他模型,SARIMAX 模型在国家级预测方面的表现最佳。同时,我们的数据预处理方法的表现也优于传统的数据预处理方法。
Sep, 2022
一种有效的客户服务管理系统依赖于准确预测服务量。为了解决数据非稳态的挑战,本文提出了一种高效且适应性强的跨关注机制模块 RACA,用于预测任务中利用历史段落,并设计了一种准确的历史序列查询表示方案以及知识库的设计。这些关键组件共同构成了检索增强的时间序列预测框架(RATSF),该框架不仅在 Fliggy 酒店服务量预测中显著提升性能,还可以在各种应用场景中无缝集成到其他基于 Transformer 的时间序列预测模型中。大量实验验证了该系统设计在多个不同环境中的有效性和普适性。
Mar, 2024
本文提出了一个基于神经网络的端到端模型,可以在存在缺失值的时间序列数据上,同时实现预测并融合缺失值,相比现有方法表现出更好的综合性能。
Jun, 2023
本研究提出了一种基于替代高斯过程模型的新的不确定性估计方法,能够为任何基础模型提供准确的不确定性估计,并证明该方法在时序预测数据方面比基于引导的方法在中小型数据区域和不同系列的基础模型,包括线性回归,ARIMA 和梯度提升中提供更准确的置信区间。
Feb, 2023
本研究提出了一种混合模型,将经典时间序列模型与基于深度神经网络的模型结合起来,通过全局深度组件实现可扩展性和数据驱动,同时通过本地经典模型处理不确定性。实验证明,该模型在数据效率、准确性和计算复杂性方面具有优势。
May, 2019