Sep, 2023

Telescope: 一个基于公平竞争模式的自动混合预测方法

PDF
TL;DRTelescope 是一种基于机器学习的新型预测方法，自动从给定时间序列中提取相关信息并分割成多个部分进行处理，不需要参数化或训练拟合多个参数，只需要一个时间序列，能够在几秒内提供准确可靠的预测结果，而不对分析的时间序列做任何假设。
发现论文，激发创造
  • auto-sktime：自动化时序预测

    auto-sktime 是一个自动化的时间序列预测框架，利用自动机器学习技术来自动构建整个预测流程，针对时间序列数据提出了三项改进，实验结果显示了它的有效性和效率。

    Dec, 2023

  • 基于深度学习的自动实时耀斑预测操作方法

    自动化预测在太空天气科学中扮演重要角色，通过提供闪焰触发机制的统计见解，并实现量身制定的和高频预测，可以实时测量闪烁预报方法的表现，同时自信地避免过度学习。我们自 2015 年 8 月以来一直在运营无人闪烁预测服务，每 12 分钟提供 24 小时前的太阳闪焰预报。我们报告该系统的方法和预测结果。

    Jun, 2016

  • 时间序列分析与预测的机器学习算法

    本文介绍了时间序列分析和预测的重要性，详细调查了各种用于预测的方法，包括 ARIMA、Prophet 和 LSTMs 等统计和深度学习模型，完整阐述了预处理和验证的流程。

    Nov, 2022

  • 降水预测的深度学习：从时间序列预测的角度看调查

    近期基于深度学习的时序降水预测模型研究进展与性能评估综述

    Jun, 2024

  • 时序预测的深度学习：教程及文献综述

    本研究是一篇对深度学习预测方法的综述性文章，包括了预测方法在时间序列预测、工业预测及建立模型等方面的应用，以及该方法的优点和研究方向。

    Apr, 2020

  • 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

  • 深度预测因素

    本研究提出了一种混合模型，将经典时间序列模型与基于深度神经网络的模型结合起来，通过全局深度组件实现可扩展性和数据驱动，同时通过本地经典模型处理不确定性。实验证明，该模型在数据效率、准确性和计算复杂性方面具有优势。

    May, 2019

  • 可解释的多时段时间序列预测的时间融合变压器

    介绍了一种名为 Temporal Fusion Transformer（TFT）的基于注意机制的新型深度学习模型，以高效且可解释的方式解决多步预测中存在的多个输入和时间动态性问题，在实际数据集上表现出显著的性能和可解释性。

    Dec, 2019

  • 优化时间序列预测架构：一种层次神经架构搜索方法

    我们提出了一种新颖的层次神经架构搜索方法，用于时间序列预测任务，在长期时间序列预测任务中，我们的方法可以搜索跨不同预测任务的轻量高性能预测架构。

    Jun, 2024

  • 大规模数据流中天文巡天的实时自动分类与决策

    该研究报告介绍了使用机器学习进行天文学突发事件的实时分析和响应的方法，以及将来可能的发展，以应对数据集增长的挑战。

    Jul, 2014