Oct, 2023

时间序列的深度最优时机策略

PDF
TL;DR该论文提出了一种机制，将概率时间序列预测任务和最优时机决策任务相结合，作为首次系统性尝试，以解决这些实际问题，并具备坚实的理论基础和现实世界的灵活性。具体来说，它通过概率预测算法生成潜在时间序列的未来路径，并通过循环神经网络结构（RNN）来近似得出最佳时机。
execution timetime series forecastingoptimal timing strategyprobabilistic forecastingoptimal stopping problem
发现论文，激发创造
  • ProbTS：一个用于探索深度时间序列预测的统一工具包

    为了有效地进行时间序列预测，研究人员提出了 ProbTS 工具包，通过整合和比较两个不同分支的方法，揭示了它们的特点、优势、弱点和需要进一步探索的领域，从而为时间序列预测的更有效研究提供了新的方向。

    Oct, 2023

  • 时间序列的早期分类。基于成本的优化标准和算法

    本文提出了一种采用新的优化准则的分类算法，该准则考虑了分类错误的成本和等待决策的成本，并尝试通过使用聚类或分类器来减少误判和延迟的影响，实验结果表明，这种方法优于传统的基于经验策略的方法。

    May, 2020

  • 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

  • 时间序列的序列到序列建模基础

    本论文提供了第一个对基于序列到序列模型进行时间序列预测的理论分析，比较了这种方法与传统时间序列模型之间的区别，为实践者在不同建模方法中做出量化指导。

    May, 2018

  • 在信息不足的情况下预测操作计划问题的战术解决方案

    研究人员提出了一种快速预测给定操作问题的战术解决方案的方法，并将其作为二阶最优预测随机程序来规范化问题，利用监督机器学习算法进行预测。与随机程序的样本平均逼近相比，深度学习算法在非常短的计算时间（毫秒或更短）内产生高度准确的预测。

    Jan, 2019

  • 基于预测的调度与错误预测的代价

    该文研究了在服务时间不确定且使用机器学习算法进行预测时的作业调度，提出了几个策略的性能公式，并引入了 “错误预测的代价” 框架来度量使用预测信息的成本。

    Feb, 2019

  • Uber 时间序列的深度与可信预测

    本文提出了一种新颖的端到端的贝叶斯深度模型，用于提供时间序列预测和不确定性估计，并成功地应用于 Uber 的大规模时间序列异常检测。

    Sep, 2017

  • 基于概率的时间序列预测中多层感知器神经网络的超参数调优

    我们的研究主要关注于考察与时间序列相关的特定超参数（如上下文长度和验证策略）对时间序列预测中最先进的 MLP 模型性能的影响，通过对 20 个时间序列预测数据集进行了 4800 种配置的广泛实验，我们的研究结果表明这些参数的调整对性能至关重要。此外，我们还引入了迄今为止最大的用于时间序列预测的元数据集 TSBench，包括 97200 个评估，相较于该领域的先前作品增加了 20 倍。最后，我们展示了该创建的元数据集在多保真度超参数优化任务中的实用性。

    Mar, 2024

  • HyperTime：针对时间分布漂移进行的超参数优化

    本研究提出了一种名为 HyperTime 的超参数优化方法，通过基于最劣情况的优化理念，结合对时间分布转移的鲁棒性考虑，优化机器学习模型的配置，提高对未来数据的预测能力。

    May, 2023

  • 基于 NN5 预测竞赛的多步时间序列预测策略的评估和比较

    本文通过对现有的多步预测策略的理论和实践表现进行综合比较，揭示了多输出的策略、季节性消除以及输入变量选择对于提高多步预测准确性的重要性。

    Aug, 2011