Nov, 2022

基于层次指导的时间序列预测模型选择

PDF
TL;DR提出了一种基于时间序列层次结构的模型选择方法 H-Pro，通过利用集合数据在更高层次上的可预测性和一致性，选择更优的学生模型，并在多个数据集上进行广泛实证研究，效果优于现有的一些基准方法。
time series forecastingmodel selectiontemporal cross validationhierarchical datahyperparameter optimization
发现论文，激发创造
  • 时间序列预测的分层集成特征选择

    我们研究了一种新颖的集成方法，用于处理非稳态和样本有限、特征数量庞大的特征选择问题。通过利用特征之间的相互依赖关系，我们提出的层次结构方法克服了传统特征选择方法和特征重要性评分的局限性，并在合成和实际数据集上展示了可伸缩性和稳定性方面的改进性能。

    Oct, 2023

  • 分层正则化深度预测

    本研究提出了一种可扩展的分层预测方法，利用基础时间序列的系数对分层约束进行建模，并使用一个随时间变化的线性自回归模型，同时考虑了相对时间序列预测的协调约束，实验证明该方法相较于现有分层模型具有显著的预测性能提升。

    Jun, 2021

  • PROFHIT：层次时间序列的概率鲁棒预测

    PROFHIT 提出了一种全概率层次预测模型，它通过引入 Distributional Coherency 正则化来从层次关系中学习完整预测分布，从而实现鲁棒和校准的预测，能够适应变化的层次一致性，并在广泛的数据集上获得了比其他方法高达 41-88％的准确性和校准性能提升，在数据缺失时仍能提供可靠的预测。

    Jun, 2022

  • 可解释的自适应基于树的模型选择时间序列预测

    我们提出了一种新颖的方法，利用 TreeSHAP 解释性方法在线选择基于树的模型，并在时间序列预测任务中进行运用，以解决过拟合问题和模型选择的困境。实证研究表明，我们的方法在多个真实数据集上取得了与现有方法和基线方法相当甚至更好的结果。

    Jan, 2024

  • 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

  • 深度预测因素

    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

  • 基于图形的时间序列聚类用于端到端分层预测

    本文介绍一种基于图形结构的方法，用于在时间序列预测的深度学习中统一相对和层次的归纳偏见，该方法相对其他方法效果更佳。

    May, 2023

  • 刚性的伤害：概率层次时间序列预测的软一致性正则化

    PROFHiT 是一种完全概率性的分层预测模型，通过灵活的概率贝叶斯方法和引入新颖的分布一致性正则化，能够从分层关系中学习整个预测分布，从而实现鲁棒和校准的预测，并适应具有不同分层一致性的数据集。评估结果显示，PROFHiT 在准确性方面表现出了 41-88% 的改进，并且具有更好的校准性。此外，由于对整个分布的一致性建模，当输入时间序列数据缺失 10% 时，PROFHiT 仍然能够提供可靠的预测，而其他方法的性能会下降超过 70%。

    Oct, 2023

  • 层次化生成预训练变压器用于时间序列预测

    提出了一种名为 GPHT 的新型生成预训练分层变压器架构，通过引入高级网络结构和自监督预训练策略来提高时间序列预测的准确性，并在充足的实验验证中证明其超越了传统预训练模型和监督模型，在传统长期预测任务中取得了良好的效果。

    Feb, 2024

  • 优化时间序列预测架构：一种层次神经架构搜索方法

    我们提出了一种新颖的层次神经架构搜索方法，用于时间序列预测任务，在长期时间序列预测任务中，我们的方法可以搜索跨不同预测任务的轻量高性能预测架构。

    Jun, 2024