本文利用 62 个不同技术的成本和生产的最新数据库，测试了六种假设规律预测未来科技成本的能力，并发现了一个以前未被发现的规律，即生产 tends tends to increase exponentially，同时发现 Moore's Law 和 Wright's Law 的表现几乎相同。研究结果对于技术变革的理论、候选技术和气候变化缓解政策的评估具有重要意义。

Jul, 2012

本文介绍了时间序列分析和预测的重要性，详细调查了各种用于预测的方法，包括 ARIMA、Prophet 和 LSTMs 等统计和深度学习模型，完整阐述了预处理和验证的流程。

Nov, 2022

预测方法可归为 “机器学习” 或 “统计” 两类已成为预测文献和社区的共识，但我们认为这种区分不是来自于方法本质的差异，而是一种限制对不同预测方法适用性和效果洞察的部落性质，我们提供了预测方法的其他特点，讨论了机器学习和统计学社区间跨界合作的潜在优势。

Dec, 2022

探索了预测的增长，这是一种使用明确的假设和定量估计的政治科学工具，可以帮助机构建立 AI 发展的中长期策略。该研究检查了成功的预测方法，其中包括了 Phillip Tetlock 的 “十个戒律”，并展示了超级预测员的案例研究和他们的洞察力最为可靠。对于应对快速变化的技术环境，设计师和政策制定者应该考虑预测作为第一道防线。

Mar, 2023

本文研究了时间序列建模和预测，分别介绍了随机、神经网络和 SVM 基于模型的预测。实验结果表明不同模型的预测表现，以及采用不同评价指标评价不同模型。

Feb, 2013

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

本研究论文探讨时间序列预测领域，发现机器学习方法虽然在极小样本量时预测性能较简单统计方法差，但随着样本量的增长，机器学习方法逐渐优化预测性能。

Sep, 2019

本研究是一篇对深度学习预测方法的综述性文章，包括了预测方法在时间序列预测、工业预测及建立模型等方面的应用，以及该方法的优点和研究方向。

Apr, 2020

本篇论文探讨通过时间序列预测和神经网络等方法，利用在线招聘广告的技能需求数据提高多技能需求的预测准确性。作者对多项世界信息技术业工作者的技能需求进行了分析，并比较了多元和单变量模型的性能。

May, 2022

本文综述了近年来 2020 至 2022 年关于利用深度学习模型基于金融时序数据预测价格的研究，包括不同数据源和神经网络结构的实现细节，旨在让研究人员了解该领域最新进展，方便选择先前研究中使用的模型基线，并提供未来研究建议。

Apr, 2023