Feb, 2024

多步预测动态策略的时序分类

PDF
TL;DR多步预测在时间序列中，能够预测未来多个时间步长，是几乎所有时间领域的基础。本文通过表征最优预测策略的实例级方差，并提出了适用于多步预测的动态策略 (DyStrat)，在使用基于随机森林的分类器时，DyStrat 相较于最佳的固定策略有着 94% 的时间上优势，并且均方误差平均降低了 11%。我们的方法通常比当前方法的前 1 准确率提高三倍，并且表明 DyStrat 对于任何多步预测任务具有很好的泛化能力。
发现论文，激发创造
  • 面向时空序列预测的机器学习：综述

    通过对时空序列预测 (STSF) 的三个子类别的对比和对 STSF 中两个主要挑战的综述，提供了一种机器学习解决方案，并为 STSF 领域提出了一些潜在的研究方向。

    Aug, 2018

  • 基于 NN5 预测竞赛的多步时间序列预测策略的评估和比较

    本文通过对现有的多步预测策略的理论和实践表现进行综合比较，揭示了多输出的策略、季节性消除以及输入变量选择对于提高多步预测准确性的重要性。

    Aug, 2011

  • 带未来信息的掩码多步多元时间序列预测

    本文介绍了一种名为 MMM 的新型神经网络的自主学习框架，能够结合过去的时间信息和未来的已知信息进行时间序列预测，实验表明这种方法不仅胜过传统的基于样本或回归的方法，而且训练出的神经网络的推理速度与传统回归训练的时间序列预测模型相当，因此是一种比现有回归训练的时间序列预测模型更好的选择。

    Sep, 2022

  • 决策导向的预测：多阶段优化的决策损失

    决策聚焦学习关注解决不确定性下的决策问题，特别是多阶段优化与预测相结合的模型对未来决策具有重要影响，本研究提出了基于多层模型的决策聚焦预测方法，并在能量存储套利任务中验证了其优越性。

    May, 2024

  • 短中期电力需求的遮蔽多步骤概率预测

    本研究提出了 Masked Multi-Step Multivariate Probabilistic Forecasting （MMMPF）框架，通过结合过去的时间信息和未来的已知信息来进行概率预测，以训练任何能够生成输出序列的神经网络模型，用于短期和中期的多区域电力需求预测，并通过各种机器学习方法进行比较验证，结果表明提出的 MMMPF 框架不仅优于基于样本的方法，还优于现有时间序列预测模型。使用 MMMPF 训练的模型还可以生成期望分位数以捕获不确定性，并实现未来电网的概率规划。

    Feb, 2023

  • 多输出集成用于多步预测

    该论文研究了多输出模型组成的集成在多步预测问题中的应用，通过对 3568 个时间序列数据集和 30 个多输出模型的案例研究表明，基于仲裁和分窗策略的动态集成在多步预测中表现最好。

    Jun, 2023

  • 多输出支持向量回归用于多步预测时间序列

    使用多输出支持向量回归（M-SVR）和多输入多输出（MIMO）策略，实现了多步预测；论文比较了三种预测策略，并提供了实际影响；结果表明，M-SVR 使用 MIMO 策略实现了最准确的预测，但计算成本较低。

    Jan, 2014

  • 时间序列建模和预测入门研究

    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

  • 差分卷积模糊时间序列预测

    通过使用微分模糊卷积神经网络，本文提出的新模型具有学习能力和对非静态时间序列的预测准确性，其预测效果优于现有的模糊时间序列预测方法以及普通的时间序列预测算法，可进一步提高模糊时间序列预测的准确率。

    May, 2023

  • 基于动态高斯混合的深度生成模型，用于稀疏多元时间序列的鲁棒预测

    提出了一种基于生成模型的方法，使用动态高斯混合分布跟踪潜在群集的过渡，实现了时间序列的强大建模，具有参数化的神经网络和结构化推理网络，并引入了一个门控机制来动态调整高斯混合分布。

    Mar, 2021