基于 Kullback-Leibler 散度的概率性预测协调正则化
PROFHiT 是一种完全概率性的分层预测模型,通过灵活的概率贝叶斯方法和引入新颖的分布一致性正则化,能够从分层关系中学习整个预测分布,从而实现鲁棒和校准的预测,并适应具有不同分层一致性的数据集。评估结果显示,PROFHiT 在准确性方面表现出了 41-88% 的改进,并且具有更好的校准性。此外,由于对整个分布的一致性建模,当输入时间序列数据缺失 10% 时,PROFHiT 仍然能够提供可靠的预测,而其他方法的性能会下降超过 70%。
Oct, 2023
通过使用卷积神经网络构建了一个新模型,利用因子模型结构生成一致的预测结果;在三个层次预测数据集上相比其他方法显著提高了 11.8% 至 41.4%;同时分析了基层分布和因子数量对模型参数的影响。
Jul, 2023
本文提出了一种基于马尔可夫决策过程的动态和可定制的时间差分强化学习方法,旨在利用高频实际数据来改进低频数据的预测,进而改善长期预测的准确性。该方法相较于仅使用历史低频数据,显著提升了长期预测效果,并突显出低频预测可以提升高频预测,同时高频数据也可以为低频预测提供影响。
Jan, 2022
提出了一种基于机器学习回归器的多维层级预测方法,并使用统一框架协调空间和时间层次,在两个不同的案例研究中对其进行了评估,以预测建筑电负荷,为未来的预测回归器提供了方法和路径。
Jan, 2023
介绍了一种利用 Kullback-Leibler 散度来监控多维数据流概率分布变化,以预测概念漂移事件并了解其本质的新方法,并探讨了其在预测维护等实际任务中的应用。
Oct, 2022
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
本文通过最大实证研究来评估神经网络的概率校准和比较多种校准方法,并发现正则化方法在概率校准和锐度之间提供有利的权衡,而修正方法具有更好的概率校准。同时,我们还展示了分位数校准可以被视为一种特定的修正方法,并论证了修正方法的概率校准优势来自于有限样本覆盖的保障。
Jun, 2023
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
PROFHIT 提出了一种全概率层次预测模型,它通过引入 Distributional Coherency 正则化来从层次关系中学习完整预测分布,从而实现鲁棒和校准的预测,能够适应变化的层次一致性,并在广泛的数据集上获得了比其他方法高达 41-88%的准确性和校准性能提升,在数据缺失时仍能提供可靠的预测。
Jun, 2022
本研究提出了一种方法来融合从异构数据集中学习到的后验分布。该算法基于均值场假设和简单的分配和平均方法,并通过正则化分配问题的变体来解决分配问题。对于指数族变分分布,我们的公式导致了一个有效的非参数算法来计算融合模型。该算法易于描述和实现,效率高,并在运动捕捉分析,主题建模和贝叶斯神经网络联合学习方面具有竞争力。
Jul, 2020