Oct, 2023

时间序列数据中极端事件预测的广义混合模型

PDF
TL;DR这篇研究论文提出了一种基于深度学习和极值理论的预测框架，通过混合分布模型和自动编码器生成器提取时间序列数据的特征，并预测极端事件的分布模型，证明了该方法在多个实际降雨数据集上的有效性。
time series forecastingextreme value theorygeneralized pareto distributiondeep extreme mixture modelautoencoder-based lstm
发现论文，激发创造
  • Sparse-GEV: 多元极值时间系列建模的稀疏潜变量模型

    本研究提出了 Sparse-GEV 模型，即基于极端值建模的潜在状态模型，以自动学习稀疏的时间依赖性并进行预测。该模型是学习多元极值时间序列稀疏时间依赖性的第一批模型之一。实验结果表明，我们的算法在一个模拟数据集，一个气候数据集和两个 Twitter 数据集上比最先进的方法，包括 Granger 因果性，copula 方法和转移熵，表现更优越。

    Jun, 2012

  • DeepExtrema: 时间序列数据中预测块极值的深度学习方法

    DeepExtrema 是一种将深度神经网络和广义极值分布相结合的新型框架，能够精确预测时间序列的极端值，并在真实和合成数据上得到了比其他基线方法更优异的结果。

    May, 2022

  • 使用神经网络进行广义极值分布的快速参数估计

    本文提出了一种基于神经网络的似然函数 - free 方法来估计广义极值分布，以解决传统极大似然估计方法在大规模数据集上的计算瓶颈，并通过仿真和气候数据应用实验证明了其在精度与速度之间达到了一个平衡。

    May, 2023

  • 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

  • 利用极端事件条件生成时空天气模式

    本文提出了一种基于 GAN 的方法，可以在检测到极端天气事件的条件下生成时空气象模式。该模型可以与自定义 GAN 架构相结合，并在真实的表面辐射和纬向风数据的实验中得到应用。

    Apr, 2021

  • 一种应用 VAE 的多元极值抽样方法

    基于变分自编码器的方法来采样多元重尾分布，进而得到准确极值，此方法在洪水灾害风险评估方面具有潜在应用价值，不仅在测试数据中的性能比标准变分自编码器好，还比竞争的极值理论方法更好地学习了极端事件之间的依赖关系。

    Jun, 2023

  • 极端交通预测的测试时间补偿表示学习

    我们提出了一个新的交通预测方法，名为 CompFormer，它通过空间 - 时间数据分解和多头空间变换模型的组成，能够有效地应对交通系列中的极端事件，提高预测性能。

    Sep, 2023

  • 基于 LSTM 的异常检测：从极值理论中得出的检测规则

    本研究探索多种统计技术结合 LSTM 深度学习模型用于交通网络中的异常检测。我们使用三种基于统计的模型和数值研究，研究表明 EVT 检测方法强于其它检测方法，且不需要预测误差服从 特定的概率分布。

    Sep, 2019

  • 一种基于概率增强 LSTM 神经网络的极端自适应时间序列预测模型

    本篇论文提出一种名为 NEC + 的概率增强神经网络模型，该模型可以同时学习极端和正常预测函数，并通过选择性反向传播的方式在它们之间进行选择，从而解决时间序列预测中的极端事件和数据不平衡的问题，并在加利福尼亚的 9 个水库的困难的 3 天前每小时水位预测任务中展现出优异的表现和概括能力。

    Nov, 2022

  • 基于动态高斯混合的深度生成模型，用于稀疏多元时间序列的鲁棒预测

    提出了一种基于生成模型的方法，使用动态高斯混合分布跟踪潜在群集的过渡，实现了时间序列的强大建模，具有参数化的神经网络和结构化推理网络，并引入了一个门控机制来动态调整高斯混合分布。

    Mar, 2021