Dec, 2023

利用共演变时间序列预测家庭设备运行中的罕见事件

PDF
TL;DR我们提出了一种利用共同发展时序预测罕见事件的方法，通过加权自回归模型来利用数据的时间行为以提高预测能力，并通过解决不平衡数据集问题来建立约束条件从而改进性能。通过对合成和真实数据集的评估，证实我们的方法优于当前预测家庭设备故障方法的最新技术。
rare eventstime seriescoevolutionweighted autologistic regressionimbalanced datasets
发现论文，激发创造
  • 基于序列到序列学习的智能家居短期负载预测

    本文提出使用基于 LSTM 的序列 - 序列学习模型来捕捉家用电器负载曲线，并使用 4 个住宅建筑物的真实数据集将其与 VARMA，Dilated One Dimensional 卷积神经网络和 LSTM 模型进行比较，结果表明，在大多数情况下，提出的 LSTM 序列 - 序列模型在预测误差方面优于其他技术。

    Jun, 2021

  • 稀有事件预测的综述

    稀有事件预测是使用机器学习和数据分析识别和预测低概率事件。由于数据分布不均衡，普通事件的频率远远超过稀有事件，需要在机器学习流程中的每个步骤中使用专门的方法，从数据处理到算法到评估协议。该论文全面综述了稀有事件预测的当前方法在四个方面：稀有事件数据，数据处理，算法方法和评估方法。它旨在找出当前文献中的差距并突出预测稀有事件的挑战。它还提出了潜在的研究方向，可帮助指导从业人员和研究人员。

    Sep, 2023

  • 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

  • 纵向随访中罕见事件的预测模型和重采样方法

    研究模型构建和重要性采样对长期随访研究中稀有事件预测的影响及其验证方法

    Jun, 2023

  • 时间序列预测的在线学习

    本文针对使用 ARMA 模型预测时间序列的问题，使用遗憾最小化的技术，开发了有效的在线学习算法，并且在不假设噪声项服从高斯分布、独立同分布等条件下进行预测，进一步展示了我们算法的性能在渐近上趋向于最佳 ARMA 模型的表现。

    Feb, 2013

  • 评估数据丰富方法在制造业罕见事件分析中的作用

    评估数据丰富技术与监督机器学习技术在罕见事件检测和预测中的作用，并发现数据丰富程序可以显著提高罕见故障事件的检测和预测性能。

    Jul, 2024

  • 住宅电器的数据驱动负荷建模和预测

    本文提出了一种基于条件隐马尔可夫模型的短期负荷预测算法，该模型可描述住宅设备需求的概率特征，并利用可扩展的统计学习方法直接从用电数据中估算模型参数，运用多种类型的电器的 1 分钟功率消耗数据的情况研究证实了该模型在负载预测和异常检测方面的有效性。

    Oct, 2018

  • 时间序列预测的集成建模：一种自适应鲁棒优化方法

    该论文提出了一种使用 Adaptive Robust Optimization 构建具有适应性权重的线性回归集成的新方法，以提高时间序列预测模型的准确性和鲁棒性，并演示了其在空气污染管理，能源消耗预测以及热带气旋强度预测等实际应用中优于其他竞争性集成技术的性能。

    Apr, 2023

  • 使用深度神经网络进行相关时间序列预测：结果概述

    本文提出两种深度学习模型来准确预测相关时间序列，第一个模型在每个时间序列上使用卷积神经网络，第二个模型通过在每个时间序列上添加自编码器，实现了多任务学习。在两个现实世界的相关时间序列数据集上，实验证明所提出的两种模型有效且优于大多数基线。

    Aug, 2018

  • 使用神经网络和 Cox 回归进行时间至事件预测

    本文提出了将神经网络与 Cox 比例风险模型相结合进行时间到事件预测的新方法。基于嵌套病例对照研究的方法学，提出了良好的损失函数，能够适用于大型数据集，能够拟合比例和不比例的 Cox 模型扩展，并在实际数据集上表现出非常强的竞争力。

    Jul, 2019