本文介绍了一种基于自回归深度学习模型和有条件归一化流模型的多元时序动态建模方法，该方法通过建模统计依赖关系来提高精度和分析交互效应。实验结果表明，该方法在多个实际数据集上比现有技术表现更好。
Feb, 2020
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
混合可分离流的边际一致性混合物模型 (MosES) 是一种新颖的不规则时间序列概率预测模型，它将多个可分离流、具有完全协方差矩阵的高斯过程和可分离可逆变换相结合，旨在结合了归一化流的表达能力和高斯的边际一致性。通过对四个不同数据集的实验，我们展示了 MosES 在保持边际一致性方面胜过其他最先进的模型，与 ProFITi 视为平级，但与 ProFITi 不同，能够保证边际一致性。
Jun, 2024
本文介绍了用于随机时空建模的条件归一化流方法，并通过从 ERA5 数据集中进行的日温度和小时位势地图预测任务的实验证明了该方法在捕捉时空相关性和超出训练时间范围的外推能力方面的有效性。
Nov, 2023
本文提出了一种基于非参数创新的非参数方法，通过机器学习和深度学习技术，可能在不知道时间序列的概率分布的情况下有效地预测电力价格的条件概率分布。
采用基于粒子流的贝叶斯推理方法，通过状态空间模型实现时间序列预测以及不确定性分析，比当前点预测方法提供更好的不确定性特征与相似的预测准确性。
Jun, 2021
提出了一种名为 GraFITi 的基于图的模型，使用图神经网络来预测不规则采样时间序列中的缺失值，该模型优于现有的预测模型，并在预测精度上提高了 17％，在运行时间上提高了 5 倍。
May, 2023
本文提出了一种弹性且鲁棒的概率框架 RegFlow，采用超网络架构和连续正常化流模型进行训练，无需对未来状态的单峰性或概率分布做出任何限制，成果在多项基准数据集上表现优于竞争方法。
Nov, 2020
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
我们提出了一种基于归一化流的多帧视频预测方法，可以直接优化数据可能性并生成高质量的随机预测，该方法可以实现对于视频生成建模的可行且竞争性的方法。
Mar, 2019