局部和全局趋势的贝叶斯指数平滑模型
提出了一种GRU-ODE-Bayes方法来建模真实世界的多维时间序列,该方法包括对神经普通微分方程的连续时间版本和处理不规则数据采样的贝叶斯更新网络,并证明了该方法在医疗保健和气候预测领域的应用中优于现有技术。
May, 2019
本文比较和总结了使用全局方法和本地方法进行时间序列预测的不同性能特点和适用范围,并提出使用全局算法具有更广泛的适用性和更好的普适性。同时提出了一些统计或趋势分析方法,实验证明这些方法在具有较高精度的同时,可大幅减少参数量和计算成本。
Aug, 2020
本研究提出了一种基于 TimeGrad 的自回归模型,用于多元概率时间序列预测,该模型在每个时间步长从数据分布中采样,通过估计梯度进行采样,采用扩散概率模型,优化可变界,通过 Langevin 采样将白噪声转换为感兴趣的分布样本,在实验中表明,该模型是当前实现多元概率预测的最佳方法之一,可实际应用于数千个相关维度的真实数据集。
Jan, 2021
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
提出了一种解决非均匀时间间隔和时间上的不对齐问题的概率预测模型,该模型通过允许观测时间成为模型构建的核心来克服现有方法的局限性,使用条件流表示来非参数地表示数据分布,并通过精心分解对数似然目标来监督该表示。
Jun, 2023
我们提出了一种基于贝叶斯在线多元时间序列插补的方法,该方法可以处理具有任意时间戳的数据,为下游应用提供不确定性量化和可解释性。
Aug, 2023
测量时间序列数据之间的距离或相似性是许多应用的基本方面,包括分类和聚类。我们的目标是开发一种可以查找相似时间点附近发生的相似趋势,并且对应用领域的研究人员易于解释的度量。我们提出了一种新颖的度量方法DTW+S,它创建了一个可解释的时间序列“接近保持”矩阵表示,每一列代表局部趋势,然后应用动态时间规整来计算这些矩阵之间的距离。我们提供了支持该表示选择的理论分析。我们证明了DTW+S在集成构建和流行病曲线聚类中的实用性。此外,我们还证明了相对于动态时间规整在某类数据集上的分类效果更好,特别是当局部趋势而非尺度起决定性作用时。
Sep, 2023
利用贝叶斯方法处理计数值时间序列数据是一种有效的方法,其中Poisson-Gamma动态系统在捕捉观测计数序列背后的动态演变方面表现良好,然而当前的PGDS模型在捕捉实际情况下常见的时间变化转换动态方面仍存在一些局限性,因此提出了非平稳PGDS模型来解决这个问题,通过复杂设计的Dirichlet Markov链来对转换矩阵进行建模,实验结果表明,与相关模型相比,提出的非平稳PGDS模型能够更好地预测计数序列,并学习到随时间演变的转换矩阵所捕捉的非平稳依赖结构。
Feb, 2024
使用自回归模型回答超出单步预测的复杂概率查询,包括未来事件的时机和特定事件在另一事件发生之前的可能性。通过开发一类宽泛的、高效的近似技术,对顺序模型中的边缘化进行建模。这些技术仅依赖于对预先训练的自回归模型的下一步条件分布的访问和采样,包括传统参数模型和最近的神经自回归模型。针对离散顺序模型、标记的时间点过程和随机跳跃过程,提出了具体的方法,每个方法都适用于一类明确定义的信息丰富、长程概率查询。
Mar, 2024
在Smyl等人提出的《局部和全局趋势贝叶斯指数平滑模型》研究中,提出了一种能够捕捉时间序列中强趋势和波动性的广义指数平滑模型。通过对原模型进行改进以及引入自定义的Gibbs采样器进行后验探索,该方法在时间序列预测任务中取得了最先进的性能,并且由于提高了采样速度一个数量级,使得该模型在实际应用中更具实用性。新模型和采样器在M3数据集上进行了评估,显示出在准确性上与原方法相比具有竞争力或更优越性能,并且运行速度更快。
Jun, 2024