时间序列预测：利用分数阶差分数据释放长期依赖性

Sep, 2023

时间序列预测：利用分数阶差分数据释放长期依赖性

Time-Series Forecasting: Unleashing Long-Term Dependencies with Fractionally Differenced Data

Sarit Maitra, Vivek Mishra, Srashti Dwivedi, Sukanya Kundu, Goutam Kumar Kundu

TL;DR本研究介绍了一种新的预测策略，利用分数差分（FD）的力量捕捉时间序列数据中的短期和长期依赖关系。通过将 FD 应用于 SPY 指数的金融数据，并结合来自新闻报道的情绪分析，本实证分析探讨了 FD 与目标变量的二分类的有效性。使用监督分类算法验证了 FD 序列的性能，结果表明 FD 相较于整数差分具有优势，这一结果通过接收者操作特征 / 曲线下面积（ROCAUC）和马修斯相关系数（MCC）评估得到确认。

Abstract

This study introduces a novel forecasting strategy that leverages the power of fractional differencing (FD) to capture both short- and long-term dependencies in time series data. Unlike traditional integer differ

forecasting strategy fractional differencing short- and long-term dependencies financial data binary classification

发现论文，激发创造

FreDF：频域预测学习

频率增强直接预测 (FreDF) 绕过标签自相关的复杂性，通过学习在频率域进行预测，实验证明 FreDF 明显优于包括 iTransformer 在内的现有领先方法，并与各种预测模型兼容。

Feb, 2024

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

FCDNet: 频率引导的补充依赖建模用于多变量时间序列预测

FCDNet 是一个简洁而有效的框架，通过两个轻量级依赖构造器，从多层频率模式中自适应地提取长期和短期依赖信息，从而克服了先前方法所面临的限制，并显著超过强基线，平均改进了 MAE 的 6.82%、RMSE 的 4.98% 和 MAPE 的 4.91%。

Dec, 2023

深度频率导数学习用于非平稳时间序列预测

我们提出了一种基于频率导数学习的非平稳时间序列预测框架 DERITS，通过整个频率谱将时间序列进行转换，使其从频率角度充分利用数据分布，从而在时间序列预测和分布偏移方面表现出持续的优越性。

Jun, 2024

不规则采样时间序列预测的功能潜在动力学

通过在时间序列中仅从观察值学习简单曲线，我们提出了一种名为功能潜在动力学（FLD）的模型族，代替复杂的 ODE 模型，以捕捉不规则时间序列的连续动态，并在减少运行时间和内存开销的同时达到更好的性能。

May, 2024

基于分解和神经常微分方程的长期时间序列预测

LTSF-DNODE is proposed as a solution to the limitations of Linear-based LTSF models and Transformer-based approaches, showing better performance on various real-world datasets and exploring the impacts of regularization in the NODE framework for each dataset.

Nov, 2023

差分卷积模糊时间序列预测

通过使用微分模糊卷积神经网络，本文提出的新模型具有学习能力和对非静态时间序列的预测准确性，其预测效果优于现有的模糊时间序列预测方法以及普通的时间序列预测算法，可进一步提高模糊时间序列预测的准确率。

May, 2023

单调神经常微分方程：累积数据的时间序列预测

基于神经常微分方程模型的模态（MODE）可有效地捕捉和表示实际累积数据中的单调性和不规则性，并展现出卓越的预测性能。

Sep, 2023

多步预测动态策略的时序分类

多步预测在时间序列中，能够预测未来多个时间步长，是几乎所有时间领域的基础。本文通过表征最优预测策略的实例级方差，并提出了适用于多步预测的动态策略 (DyStrat)，在使用基于随机森林的分类器时，DyStrat 相较于最佳的固定策略有着 94% 的时间上优势，并且均方误差平均降低了 11%。我们的方法通常比当前方法的前 1 准确率提高三倍，并且表明 DyStrat 对于任何多步预测任务具有很好的泛化能力。

Feb, 2024

短时间缺失数据分类的多变量函数线性判别分析

在大多元和不完整数据时代，需要一个能够计算可行地估计特征之间统计依赖并处理缺失值的方法。我们开发了 MUDRA（多元 FLDA 的多元版本）来解决这个问题，并描述了一种高效的期望 / 条件最大化算法来推断其参数。我们在 “Articulary Word Recognition” 数据集上评估了 MUDRA 的预测能力，并展示了其在处理缺失数据时相对于最先进方法的改进。MUDRA 允许解释性地对具有大量缺失数据的数据集进行分类，这在医学或心理数据集中尤其有用。

Feb, 2024