通过采用渐进式提升树和神经网络模型的混合方法，本文解决了点预测和概率预测问题。我们的方法包括将任务转化为对单日销量的回归、信息丰富的特征工程、创建一组多样化的先进机器学习模型以及精心构建的验证集用于模型调优。通过选择多样的机器学习模型和重要的验证示例，我们的方法在精确性和不确定性跟踪中获得了金牌水平的排名。

Oct, 2023

准确预测零售行业的需求是财务绩效和供应链效率的重要决定因素。本研究通过将顾客需求的时间序列数据与宏观经济变量（如消费者价格指数（CPI）、消费者信心指数（ICS）和失业率）相结合，开发并比较了各种回归和机器学习模型，以准确预测零售需求。

Aug, 2023

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

本文提出一种新的方法，通过衡量时间序列的趋势和季节性成分的独特影响来对时间序列进行分组，以提高零售销售预测的准确性。并将该方法应用于沃尔玛销售数据中，取得了较好的预测结果。

May, 2023

通过使用稀疏损失函数直接优化层次产品和 / 或时间结构，我们提出了一种使用单个底层预测模型学习数百万时间序列的连贯预测的方法。我们的稀疏层次损失函数的好处是为从任意选定的横向或时间层次产生连贯底层预测的实践者提供了一种方法。此外，消除了传统层次预测技术中所需的后处理步骤，从而降低了预测流程中的计算成本。在公开的 M5 数据集上，我们的稀疏层次损失函数的表现比基准损失函数提高了 10%（RMSE）。我们将稀疏层次损失函数应用于欧洲一家大型电子商务平台的现有预测模型中，在产品层面上改善了 2% 的预测性能。最后，我们发现在我们定义的横向层次上评估预测性能时，预测性能提高了约 5-10%。这些结果证明了我们的稀疏层次损失应用于主要电子商务平台的生产预测系统的有用性。

Oct, 2023

提出了一种名为 PGBM 的新方法，利用决策树的随机叶权重和随机树集更新方程逼近训练集中每个样本的均值和方差，从而实现单一模型预测概率分布，比传统方法速度快且效果更佳。

Jun, 2021

该研究使用基于树的集成方法，如随机森林、梯度提升树和贝叶斯增加回归树，在许多应用和研究中成功地用于回归问题。本文研究了概率回归树的集成版本，通过将每个观测分配到相对应的概率分布区域，为目标函数提供平滑逼近。我们证明了所考虑的概率回归树的集成版本是一致的，并在实验中研究了它们的偏差 - 方差折衷，并与最先进的性能预测方法进行比较。

Jun, 2024

本文研究了 Tmall 上售货商销售预测的情况，发现销售具有季节性和 Tweedie 分布特征，为此提出了季节性提取和分布转换两种销售预测机制，并将其应用于神经网络和梯度提升决策树等回归模型，实验结果表明两种机制均能显著提高预测效果。

Feb, 2020

本文介绍了超树的概念，并提供了将基于树的模型应用于时间序列数据的新方向。与直接预测时间序列的传统决策树应用不同，超树旨在学习目标时间序列模型的参数。我们的框架利用了增强树的基于梯度的性质，使我们能够将超网络的概念扩展到超树，并对树模型引入时间序列归纳偏差。通过将目标时间序列模型的参数与特征相关联，超树解决了参数非平稳性的挑战，并使基于树的预测能够扩展到其初始训练范围之外。通过我们的研究，我们旨在探索超树在各种预测场景中的有效性，以及扩大梯度增强决策树在时间序列预测中的应用。

May, 2024

本文介绍了一种基于时间序列的深度学习方法及其与传统机器学习方法的比较结果，结果表明，输入变换可以提高传统 GBRT 模型的性能，使其优于所有评估的最新 DNN 模型。

Jan, 2021