一种可扩展和可迁移的时序预测框架用于需求预测
将非线性低维时间序列数据映射到高维空间进行线性高维预测,以实现快速、高效和轻量级的在线时间序列预测,并使用新颖的联合训练框架适应时间序列分布的变化。TSF-HD 在短期和长期时间序列预测中表现出优越性能,推理延迟较小。
Feb, 2024
这篇论文提出了非参数基线模型用于时间序列预测,不同于传统的预测模型,该方法不需要对预测分布进行参数化假设,而是通过从经验分布中根据可调节的策略进行采样来生成预测。此方法总是能够产生合理的预测(即在观测数据范围内的预测),而不像传统模型在某些数据分布上存在数值稳定性问题。此外,我们还开发了基于多个相关时间序列利用信息自动学习采样策略的全局版本。通过实证评估,证明了这些方法在所有数据集上都具有合理且一致的性能,可以被视为强大的基准模型。
Dec, 2023
通过引入三个大规模时间序列预测数据集,从云操作领域,其中最大的数据集拥有数十亿个观测值,研究时间序列模型的预训练和扩展性,我们建立了经验性的研究基础,并通过确定一种有前景的候选架构为未来研究铺平了道路。同时,我们通过与经典和深度学习基准的综合性基准结果进行比较,展示我们的预训练方法取得了 27% 的误差降低。代码和数据集将被发布。
Oct, 2023
本文研究了时间序列预测中的表演性问题,在机器学习的视角下,提出了一种称为特征表演位移(FPS)的新方法,该方法利用延迟响应的概念来预测可能的分布变化,并相应地预测目标变量。通过在 COVID-19 和交通预测任务上进行综合实验,结果表明 FPS 始终优于传统时间序列预测方法,突出了其在应对表演性问题方面的效果。
Oct, 2023
本文旨在系统地确定和比较分析最新的供应链预测策略和技术,提出了一个包含大数据分析在供应链管理中的新框架,并讨论了预测对人力、库存和整个供应链的影响以及其优化方面的建议。
Jul, 2023
为了支持机器学习方法在预测时间序列数据方面的进展,我们提供了一个专门设计用于长期时间序列预测的全面数据集。我们将从不同的动态系统和真实记录中获取的一系列数据集进行了标准化,每个数据集都被分成了训练和测试轨迹,并设定了预定的回溯长度。通过对经典和先进的模型(即 LSTM,DeepAR,NLinear,N-Hits,PatchTST,和 LatentODE)进行广泛的基准分析,我们确定在不同场景中最有效的模型。我们的研究结果显示出这些模型之间有着有趣的性能比较,突显了模型效果与数据集有关的特性。值得注意的是,我们引入了一个定制的 latent NLinear 模型并且通过课程学习阶段提高了 DeepAR 的性能,它们在效果上始终优于其原始版本。
Sep, 2023
本文利用时间序列预测技术对匈牙利的水痘病例进行模拟预测,演示 LSTM 模型在县级预测方面的表现优于其他模型,SARIMAX 模型在国家级预测方面的表现最佳。同时,我们的数据预处理方法的表现也优于传统的数据预处理方法。
Sep, 2022
本研究提出了一种混合模型,将经典时间序列模型与基于深度神经网络的模型结合起来,通过全局深度组件实现可扩展性和数据驱动,同时通过本地经典模型处理不确定性。实验证明,该模型在数据效率、准确性和计算复杂性方面具有优势。
May, 2019
基于连续数据流的轨迹预测是一个重要的问题,我们引入了一个新的基准测试来解决忽略了流数据中出现和消失的物体以及预测结果的时间连续性的问题,我们提出了一个名为 "预测流" 的算法来解决这个问题,并通过采用多模型轨迹传播和可微分滤波器来提高预测质量,得到了更准确的预测结果。
Oct, 2023