时间序列预测的分层集成特征选择

Oct, 2023

Hierarchical Ensemble-Based Feature Selection for Time Series Forecasting

Aysin Tumay, Mustafa E. Aydin, Suleyman S. Kozat

TL;DR我们研究了一种新颖的集成方法，用于处理非稳态和样本有限、特征数量庞大的特征选择问题。通过利用特征之间的相互依赖关系，我们提出的层次结构方法克服了传统特征选择方法和特征重要性评分的局限性，并在合成和实际数据集上展示了可伸缩性和稳定性方面的改进性能。

Abstract

We study a novel ensemble approach for feature selection based on hierarchical stacking in cases of non-stationarity and limited number of

发现论文，激发创造

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

LSTM 网络在多目标进化算法的支持下，通过分区优化权重和偏差，构建非优势预测模型集合进行元模型构建，并提供属性重要性确定的方法，实验证明优于现有方法。

Dec, 2023

本文介绍一种基于图形结构的方法，用于在时间序列预测的深度学习中统一相对和层次的归纳偏见，该方法相对其他方法效果更佳。

May, 2023

多变量时间序列异常检测中的基于深度神经网络的特征提取和集成技术及其在水流闭环数据集上的实验结果的改进方法。

Aug, 2023

在经济学及其他预测领域中，现实世界问题过于复杂，难以用单一模型假设一种具体的数据生成过程。两种基于时间序列特征的方法：基于特征的模型选择和基于特征的模型组合，对于预测大量时间序列时，各种方法的预测性能随时间序列的性质发生变化。本章讨论了最先进的基于特征的方法，并参考开源软件实现。

Sep, 2023

提出了一种基于时间序列层次结构的模型选择方法 H-Pro，通过利用集合数据在更高层次上的可预测性和一致性，选择更优的学生模型，并在多个数据集上进行广泛实证研究，效果优于现有的一些基准方法。

Nov, 2022

使用理论分析方法，我们证明了从有限或有限维族中选择最佳堆叠综合的交叉验证方法不会比最佳方案表现差得多，进一步提出了一种特定的堆叠综合族在概率预测中的应用，并通过实验结果证明了所提出方法的性能提高。

May, 2023

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

我们专注于从贝叶斯角度进行预测调和，提出了一种方法来预测调和，并定义了具有线性结构的普通情况 - 线性高斯调和。我们在合成和真实数据集上评估了这些方法，并将它们与该领域的其他工作进行了比较。

Aug, 2023

一种高度比较，基于特征的时间序列分类方法，利用广泛的算法数据库从时间序列中提取数千个可解释的特征，并采用贪心前向特征选择与线性分类器选择最具信息的特征进行分类，实现了对时序列的降维并超越了传统的基于实例的分类器。

Jan, 2014