Sep, 2023

机器学习时间序列预测中的计算效率和预测误差平衡：基于气象现在预报的实时实验洞察

PDF
TL;DR通过实时实验，本文量化了计算成本与预测误差之间的关系，使用气象业务为例，使用多个流行的回归技术对多个地点的温度、风速和云量进行了多个时段的短期预测，结果显示使用方差地平面方法能够降低计算使用量约 50%，同时导致 0-15% 的增加，而基于性能的重训练方法不仅能够降低计算使用量高达 90%，还提高了预测误差高达 10%，两者的组合在根据计算使用量归一化的误差方面优于其他模型配置达到 99.7%。
machine learningtime-series forecastingcomputational efficiencyforecast errormeteorological nowcasting
发现论文，激发创造
  • 验证深度学习天气预报模型在近期高影响极端事件上的准确性

    深度学习天气预测模型的预测准确性正在迅速提高，但仍存在需求，需要综合评估这些新兴技术的全面性。通过对比三个案例研究，我们发现机器学习的天气预测模型在创纪录的极端天气事件中可能能够达到与高分辨率天气预测系统相似的准确性，但其在极端条件下的外推能力可能比后者更受影响。这些研究可以为现有研究提供补充，增加公众信任，并有助于开发可靠的机器学习天气预测模型。

    Apr, 2024

  • 金融时间序列预测：基于混合机器学习方法实现性能和解释性的协同

    比特币价格的预测引起了在金融市场和投资策略上的关注，本研究提出了一个关于混合机器学习算法在提高模型可解释性方面的比较研究。通过实证实验，我们发现线性回归模型在候选模型中表现最好。对于模型的解释性，我们对时间序列统计的预处理技术进行系统概述，包括分解、自相关函数、指数三重预测等，旨在挖掘金融时间序列中的潜在关系和复杂模式。我们相信这项工作将在时间序列分析及其实际应用领域引起更多关注，激发更多的研究。

    Dec, 2023

  • 利用外生变量和机器学习算法进行短期股票价格预测

    追溯 2020 年 3 月至 2022 年 5 月的短期内，该研究比较了四种机器学习模型在预测纽约证券交易所三支知名股票的准确性，并发现 XGBoost 模型虽然运行时间较长（最多 10 秒），但提供了最高的准确性。

    May, 2023

  • 机器学习模型对天气预测的比较评估

    该研究通过应用机器学习算法，分析了各种算法在使用达卡市一个气象站 20 年数据预测降水和温度变化模式方面的贡献和性能指标。研究结果突出了显著成就，并提供了有价值的洞察和特征相关性。

    Feb, 2024

  • ExtremeCast：全球天气预报中的极值预测提升

    基于机器学习的数据驱动天气预报在全球中期预报方面表现出优于传统基于物理的动力模型的快速发展和卓越性能。通过数学分析，我们证明了使用对称损失如均方误差（MSE）会导致偏差预测和极值低估。为了解决这个问题，我们引入了 Exloss，一种执行非对称优化并突出显示极值以获得准确极端天气预报的新型损失函数。此外，我们引入了一种无需训练的极值增强策略 ExEnsemble，它增加了像素值的方差并提高了预报的鲁棒性。结合先进的全球天气预报模型，广泛的实验表明我们的解决方案在极端天气预测方面可以达到与顶级中期预报模型相当的准确性。

    Feb, 2024

  • 基于可解释和可靠的机器学习的现场特定确定性温湿度预测

    使用机器学习模型梯度提升决策树，通过训练历史数值天气预报和站点观测数据，优化澳大利亚多个地点的温度和露点的预测，结果显示与传统方法相比有显著改进，并结合 SHapley Additive exPlanations 对机器学习预测结果进行解释和提高预测可靠性。

    Apr, 2024

  • 利用 SCADA 数据和连续学习进行风力发电预测的偏差校正

    通过评估和比较四种基于机器学习的风力发电预测模型，我们发现卷积神经网络在纠正和改进从数值天气预报模型中提取的 48 小时风力预测方面取得了最好的结果，平均归一化均方根误差降至 22％，同时减少了均方根误差，并且未来研究应当探究模型流程的变化以提高预测性能。此外，我们引入了连续学习策略，该策略在新数据可用时取得了最高的预测性能提升。

    Feb, 2024

  • 在线机器学习用于顺序数据同化的预测不确定性估计

    本研究提出一种基于卷积神经网络的机器学习方法，利用单个动力学模型集成来对表示预测误差协方差矩阵的状态相关预测不确定性进行估计，并在杂交数据同化方法中进行性能测试，证明该方法能够相对精确地预测高维状态中的预测协方差矩阵值。

    May, 2023

  • 时间序列预测模型复制过去：如何缓解

    本文探讨神经网络中应用于时间序列预测的一些问题，提出了一种正则化方法，该方法能够缓解预测中所观测到的问题，并在合成和真实数据集上进行了评估。

    Jul, 2022

  • 利用混合元启发式和机器学习模型优化 PM2.5 预测准确性

    使用支持向量回归（SVR）方法，结合灰狼优化（GWO）和粒子群优化（PSO）算法来预测每小时 PM2.5 浓度，得到了可靠和准确的模型，适用于类似的研究应用。

    Jul, 2024