时间序列预测的集成建模：一种自适应鲁棒优化方法

Apr, 2023

时间序列预测的集成建模：一种自适应鲁棒优化方法

Ensemble Modeling for Time Series Forecasting: an Adaptive Robust Optimization Approach

Dimitris Bertsimas, Leonard Boussioux

TL;DR该论文提出了一种使用 Adaptive Robust Optimization 构建具有适应性权重的线性回归集成的新方法，以提高时间序列预测模型的准确性和鲁棒性，并演示了其在空气污染管理，能源消耗预测以及热带气旋强度预测等实际应用中优于其他竞争性集成技术的性能。

Abstract

Accurate time series forecasting is critical for a wide range of problems with temporal data. ensemble modeling is a well-established technique for leveraging multiple predictive models to increase accuracy and r

time series forecasting ensemble modeling adaptive robust optimization linear regression forecasting accuracy

发现论文，激发创造

多输出集成用于多步预测

该论文研究了多输出模型组成的集成在多步预测问题中的应用，通过对 3568 个时间序列数据集和 30 个多输出模型的案例研究表明，基于仲裁和分窗策略的动态集成在多步预测中表现最好。

Jun, 2023

Koopman 集成用于概率时间序列预测

本研究探讨了使用集合模型来生成随机输出的训练方法，证明了通过明确鼓励模型成员产生高模型间方差预测的训练准则，能够显著提高集合模型的不确定性量化能力。

Mar, 2024

约束优化模型集成

通过多调整技术和组合模型来改进多维输出预测的下游优化问题，提出了两个高效收敛的算法，并在实验中对其性能和行为进行了探索。

May, 2024

现代自优化系统的基于集成模型的建模抽象

本文在我们的基于集成的组件模型 DEECo 中扩展了使用机器学习和优化启发式算法来建立和重新配置自主组件集合的能力。我们展示了如何在模型层次上捕捉这些概念，并举例说明这样的模型如何有益地应用于工业 4.0 环境中与访问控制相关的问题。我们认为将机器学习和优化启发式算法纳入现代智能系统是一个关键特性，使其能够在学习过程中适应环境的不确定性并优化其行为。

Sep, 2023

OneNet: 在线集成提升概念漂移下的时间序列预测模型

在线更新时间序列预测模型，解决了概念漂移问题，提出了 OnNet 方法，动态地更新和组合两个模型，一个模型关注时间维度上的依赖性，另一个模型关注跨变量依赖性，并通过强化学习的方法实现两个模型的线性组合，动态调整权重，显著减少了在线预测误差。

Sep, 2023

动态气候影响模型的代理集合预测

为了在非线性和高度不确定性的气候影响模型驱动参数中提出一种可接受的代替模型，考虑深度学习 BLSTM 网络和随机森林 RFQR 模型替代 R0 预测，这些模型基于气候预测即温度和降雨量的季节性集合，建立合理的模型进行不确定性预测。

Apr, 2022

顺序模型基于集成优化

本文提出了一种新的基于 SMBO 和贝叶斯学习的自动构建学习模型合集的方法，实验证明其优于传统的 SMBO 方法在回归以及分类数据集上的表现。

Feb, 2014

通过深度模型集成增强可证明的鲁棒性

本文提出了一种算法，通过优化加权基本模型，对深度模型群集的认证稳健性进行增强，实验结果证明了该算法可以形成比 naive 平均所有可用模型更为稳健的群集，并且通常具有更好的准确性。

Oct, 2019

学习集成策略的理论保证及其在时间序列预测中的应用

使用理论分析方法，我们证明了从有限或有限维族中选择最佳堆叠综合的交叉验证方法不会比最佳方案表现差得多，进一步提出了一种特定的堆叠综合族在概率预测中的应用，并通过实验结果证明了所提出方法的性能提高。

May, 2023

基于注意力的集成汇聚方法用于时间序列预测

我们提出一种使用基于注意力的集成汇聚模型学习权重的方法来减少时间序列预测中模型偏差的常见技术，并在两个时间序列预测问题上进行测试，发现在预测非平稳的 Lorenz '63 方程时，我们的模型具有出色的有效时间，而在预测 COVID-19 的每周死亡事件时，与现有集成汇聚相比表现不一致。

Oct, 2023