May, 2023

层次混合网络用于连贯的概率预测

PDF
TL;DRHierarchical Mixture Networks (HINT) is a model family for efficient and accurate forecasting, specialized on multivariate mixture with coherence via bootstrap reconciliation, and robustified against time series scale variations with normalized feature extraction and recomposition, achieving 8% sCRPS improved accuracy across five datasets compared to the current state-of-the-art, while conducting ablation studies on its components and investigating theoretical properties.
发现论文，激发创造
  • 梯度提升树与神经网络结合的层次时间序列点与概率预测

    通过采用渐进式提升树和神经网络模型的混合方法，本文解决了点预测和概率预测问题。我们的方法包括将任务转化为对单日销量的回归、信息丰富的特征工程、创建一组多样化的先进机器学习模型以及精心构建的验证集用于模型调优。通过选择多样的机器学习模型和重要的验证示例，我们的方法在精确性和不确定性跟踪中获得了金牌水平的排名。

    Oct, 2023

  • 具有一致聚合的概率预测

    通过使用卷积神经网络构建了一个新模型，利用因子模型结构生成一致的预测结果；在三个层次预测数据集上相比其他方法显著提高了 11.8% 至 41.4%；同时分析了基层分布和因子数量对模型参数的影响。

    Jul, 2023

  • 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

  • 多源时间序列概率预测中的混合结构学习

    本文研究了多源时序下的概率预测问题，提出了一种基于混合结构的神经概率模型用于学习不同的预测关系和它们的自适应组合，并给出了适用于不同目标变量分布的预测和不确定性量化方法，同时提出了分段学习方法，并提供了理论分析和实验评估。

    Feb, 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

  • 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

  • 利用分层卷积学习动态相关性并通过降噪长期序列预测

    提出了一种 Hierarchical Memorizing Network (HMNet) 模型，通过引入分层卷积结构、动态变量交互模块和自适应去噪模块，实现了对序列的多尺度信息提取、变量之间动态相关性学习和类似模式的去噪，实验证明 HMNet 在多个基准测试上明显优于现有模型。

    Dec, 2023

  • 一个使用层次聚类的多尺度图卷积网络

    研究了利用多尺度分解通过层次拓扑信息的新型体系结构，并通过 Girvan-Newman 层次聚类算法生成了一棵树，使得架构可以学习从粗到细的多尺度潜在空间表示，并在基准引文网络上表现出竞争力。

    Jun, 2020

  • N-HiTS: 时间序列预测的神经层次插值

    本文提出 N-HiTS 模型，该模型可以通过采用新颖的分层插值和多速率数据采样技术解决了长时间预测中的波动性和计算复杂性问题，并证明了分层插值技术可以在存在光滑性时有效地逼近任意长的时间预测，在大规模数据集实验中表现优于现有的 Transformer 架构，平均准确率提高了近 20％，同时降低了一个数量级的计算时间（50 倍）。

    Jan, 2022

  • 分层学习：预测稳合时空个体和聚合建筑负载

    提出了一种基于机器学习回归器的多维层级预测方法，并使用统一框架协调空间和时间层次，在两个不同的案例研究中对其进行了评估，以预测建筑电负荷，为未来的预测回归器提供了方法和路径。

    Jan, 2023