预测二手车价格是一个有趣且有需求的问题，本研究使用数据预处理和决策树模型等方法，进行二手车价格预测并取得了令人满意的结果。

Jul, 2023

提供了一种生成支持向量机的概率输出的新方法，利用集成方法和自举估计，能够处理不平衡数据集，并在广泛的数据集测试中展现了优势。

Oct, 2023

本研究提出了一种基于概率机器学习的方法来定价首次市场的灾难债券。该方法将基于机器学习的预测模型与创新算法 Conformal Prediction 相结合，为灾难债券价格生成无分布偏差的概率预测。使用 1999 年 1 月至 2021 年 3 月之间的首次市场灾难债券交易记录，发现该方法比传统的基于回归的方法更具鲁棒性，可以更准确地预测债券利差。此外，该方法生成的预测区间比线性回归更具信息量，并且能够识别各种风险因素与债券利差之间的重要非线性关系，表明线性回归可能会低估债券利差。总体而言，本论文展示了机器学习方法在改进灾难债券定价方面的潜力。

Apr, 2024

应用自动化的机器学习（AutoML）方案代替手动创建的机器学习管道，结合公司的领域知识进行价格预测的工业需求研究，展示了 AutoML 导致的小型和中型企业对机器学习专家的依赖减弱的可能性。

Apr, 2023

本文提出了一种新颖的端到端的贝叶斯深度模型，用于提供时间序列预测和不确定性估计，并成功地应用于 Uber 的大规模时间序列异常检测。

Sep, 2017

本文通过结合监督学习和二次规划来改进汽车租赁行业中的动态定价模型，利用价格弹性的动态建模，通过普通最小二乘（OLS）指标如 p-values、齐次性、误差正态性进行优化，以达到给定有限集目标的利润最大化。

Feb, 2024

如何在设计在线算法中最佳利用不确定性量化预测，以及如何利用更一般形式的不确定性量化，提出了基于在线学习的框架来在多实例场景中学习如何充分利用不确定性量化作出最佳决策。

Oct, 2023

本文通过支持向量机和非线性分位数回归结合非交叉约束的方法，进行了风能非参数概率预测的数值研究，并使用 Global Energy Forecasting Competition 2014 的公开数据进行了案例研究，结果表明该方法能够更准确地进行预测，避免交叉分位数预测的问题。

Mar, 2018

本文研究基于统计学习理论的机器学习方法中的不确定性问题，并深入探讨了在回归分析中评估模型系数和输出特征值预测中的不确定度。另外，针对机器学习中的模型复杂度和严重非线性等问题提出解决方案，并指出决策制定时需要对机器学习模型和预测进行不确定性评估、风险评估的需求，并提供使用非参数技术解决不确定性问题的方法及最新的超级计算机设备供进行高强度计算。

Jun, 2022

本文提出使用机器学习算法和超级预测者的预测来增强投资决策的价格预测模型。通过构建五个机器学习模型，包括双向 LSTM、ARIMA、CNN 和 LSTM 的组合、GRU，以及使用 LSTM 和 GRU 算法构建的模型，利用平均绝对误差评估这些模型的预测准确性。此外，研究建议通过识别超级预测者并跟踪其预测来预测股价的不可预测的变化，从而进一步提高机器学习和自然语言处理技术的股价预测准确性。

Jul, 2024