Apr, 2023

OFTER：一种用于时间序列预测的在线流水线

PDF
TL;DROFTER 是一种面向中等规模多元时间序列的时间序列预测流水线，具有解释性输出，使用了 k 最近邻和广义回归神经网络的非参数模型，以及一种基于加权范数的降维组件。该方法能够应用于低信噪比环境，并且能够优于多种基线模型。
time series forecastingk-nearest neighborsgeneralized regression neural networksdimensionality reductionfinancial multivariate time series
发现论文，激发创造
  • 一种面向边缘计算的在线时间序列预测的新型高维计算框架

    将非线性低维时间序列数据映射到高维空间进行线性高维预测，以实现快速、高效和轻量级的在线时间序列预测，并使用新颖的联合训练框架适应时间序列分布的变化。TSF-HD 在短期和长期时间序列预测中表现出优越性能，推理延迟较小。

    Feb, 2024

  • 时间建模转换器用于长期序列预测

    通过将时间序列分成按天分割的小块，重新进行逐块方式处理并设计时间建模 Transformer-Dateformer，以提高 Transformers 模型的信息输入和输出并使模型能够全局分析时间序列，大幅提高了时间序列预测的准确性和半年的最大预测范围。

    Jul, 2022

  • 利用不变学习的时间序列预测方法进行超出分布泛化

    通过不变性学习，提出了 FOIL 框架，该框架能够增强时间序列预测模型在分布不同的情况下具有的广义能力，改进性能可达 85%。

    Jun, 2024

  • 多层时间跨度分位数循环预测器

    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

  • 智慧城市中的不变时间序列预测

    在智慧城市的变革环境中，将前沿的网络技术与时间序列预测相融合，为城市规划、可持续发展和经济增长提供了重要机遇。深度神经网络的进步显著提高了预测性能，然而，这些模型对于不同于训练数据分布的时间序列数据的泛化能力仍然存在挑战。我们提出了一种在不同城市环境下获得不变表示的解决方案，以取代仅依赖于城市环境之间的偶然相关性以提高模型的泛化能力。通过对合成数据和真实数据进行广泛实验，我们证明了我们的方法在应对变化城市环境的领域转移时优于传统的时间序列预测模型。我们的方法的有效性和鲁棒性可以推广到包括气候模型、城市规划和智慧城市资源管理在内的多个领域。

    May, 2024

  • 深度非参数时间序列预测器

    这篇论文提出了非参数基线模型用于时间序列预测，不同于传统的预测模型，该方法不需要对预测分布进行参数化假设，而是通过从经验分布中根据可调节的策略进行采样来生成预测。此方法总是能够产生合理的预测（即在观测数据范围内的预测），而不像传统模型在某些数据分布上存在数值稳定性问题。此外，我们还开发了基于多个相关时间序列利用信息自动学习采样策略的全局版本。通过实证评估，证明了这些方法在所有数据集上都具有合理且一致的性能，可以被视为强大的基准模型。

    Dec, 2023

  • 基于频域的长期时间序列预测（FreDo）

    本文研究了长期预测问题，提出了一种基于周期性的基础模型和建立在其上的频域神经网络模型 “FreDo”，并通过与时域模型的比较证明了其优越性。

    May, 2022

  • 时间序列预测模型复制过去：如何缓解

    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

  • 一种可扩展和可迁移的时序预测框架用于需求预测

    提出了一种名为 Forecasting orchestra（Forchestra）的时间序列预测框架，具有可扩展的模型规模和预测精度，能够在需求预测和物流优化等业务问题中准确预测未来需求。

    Feb, 2024

  • Taylorformer：时间序列和其他过程的概率预测

    Taylorformer 是用于时间序列和随机过程的模型，它结合了神经过程（预测不确定性和一致性）和预测（预测准确性）文献中的优点，并在多个预测数据集上优于现有技术。

    May, 2023