多地点销售交易预测的分层贝叶斯回归
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
本文介绍了一种适用于计数时间序列数据的分层贝叶斯模型,能够轻松地考虑影响因素和在相关的时间序列数据组之间共享统计信息,并提出了一种高效的近似推理方法,并在供应链规划的多个数据集上进行了性能测试。
May, 2014
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
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
本文采用贝叶斯回归法建模时间序列,并堆叠不同的预测模型,使其能够估计时间序列预测不确定性和风险特征,同时探讨使用贝叶斯回归的层次化模型来应对历史数据短、数据变化不明显的销售预测问题。结合 ARIMA, 神经网络,随机森林和 Extra Tree 模型进行预测,利用二层的贝叶斯回归法通过估计回归系数的分布进行信息融合,以最终预测的风险做决策支持。
Jan, 2022
通过使用稀疏损失函数直接优化层次产品和 / 或时间结构,我们提出了一种使用单个底层预测模型学习数百万时间序列的连贯预测的方法。我们的稀疏层次损失函数的好处是为从任意选定的横向或时间层次产生连贯底层预测的实践者提供了一种方法。此外,消除了传统层次预测技术中所需的后处理步骤,从而降低了预测流程中的计算成本。在公开的 M5 数据集上,我们的稀疏层次损失函数的表现比基准损失函数提高了 10%(RMSE)。我们将稀疏层次损失函数应用于欧洲一家大型电子商务平台的现有预测模型中,在产品层面上改善了 2% 的预测性能。最后,我们发现在我们定义的横向层次上评估预测性能时,预测性能提高了约 5-10%。这些结果证明了我们的稀疏层次损失应用于主要电子商务平台的生产预测系统的有用性。
Oct, 2023
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