本研究提出了一种新的训练方法,可以考虑误差自相关性,提高深度概率时间序列预测模型的准确性,并通过多个公共数据集验证了方法的有效性。
May, 2023
本文提出使用基于 RNN 的时间序列模型与带有低秩协方差结构的高斯联合分布过程输出模型相结合,以减少计算复杂度和处理非高斯边际分布,并在多个真实数据集上证明其性能优于现有方法。
Oct, 2019
提出了一种高效的非线性建模方法,通过线性 VAR 过程和分量间非线性映射来生成时间序列,并使用定制算法解决优化问题,提高了 VAR 系数的支持识别和时间序列预测能力。
Sep, 2023
本研究介绍了一种新颖的时间潜在自编码器方法以实现多元时间序列的非线性分解,并通过解码器建模输入序列的复杂分布,得到极好的表现。
Jan, 2021
该研究提出了一种使用贝叶斯方法的动态模型来准确预测多元金融数据中的时间变化协方差,通过假设参数值的扩散过程来捕捉市场条件的变化,使用粒子滤波器进行计算,解决了超拟合、局部最优和大量计算成本等问题。实验结果表明该算法在金融数据分析中表现出色。
May, 2013
提出了一种解决非均匀时间间隔和时间上的不对齐问题的概率预测模型,该模型通过允许观测时间成为模型构建的核心来克服现有方法的局限性,使用条件流表示来非参数地表示数据分布,并通过精心分解对数似然目标来监督该表示。
Jun, 2023
本文介绍了两种基于低秩协方差矩阵逼近的并行高斯过程回归方法,这两种方法可以将计算负载分布在并行机器之间以达到时间效率和可伸缩性,并经过理论分析证明了这些方法的预测性能等价于一些集中式的近似高斯过程回归方法,并且在两个真实数据集上的实证评估表明我们的并行高斯过程回归方法比其集中式对应物和全高斯过程方法具有更高的时间效率和可伸缩性,同时实现与全高斯过程方法相当的预测性能。
Aug, 2014
本文提出了一种针对全球数据的时空建模扩展方法,将多分辨率逼近(MRA)方法与分区及复杂协方差模型拟合相结合,实现了可扩展的计算性能和灵活的协方差模型,为分析全球性数据提供了实用的策略。
Jun, 2020
使用高斯过程的贝叶斯方法预测金融数据中的时间变化方差,相较于标准模型,新模型具有更高的预测性能。
Feb, 2014
多元时间序列预测:提出了 Variable Correlation Transformer (VCformer) 模型,通过 Variable Correlation Attention (VCA) 模块挖掘变量之间的相关性,并结合 Koopman Temporal Detector (KTD) 来处理时间序列的非平稳性,实验证明 VCformer 在真实数据集上取得了优异的性能。
May, 2024