Koopman 集成用于概率时间序列预测

Mar, 2024

Koopman 集成用于概率时间序列预测

Koopman Ensembles for Probabilistic Time Series Forecasting

Anthony Frion, Lucas Drumetz, Guillaume Tochon, Mauro Dalla Mura, Albdeldjalil Aïssa El Bey

TL;DR本研究探讨了使用集合模型来生成随机输出的训练方法，证明了通过明确鼓励模型成员产生高模型间方差预测的训练准则，能够显著提高集合模型的不确定性量化能力。

Abstract

In the context of an increasing popularity of data-driven models to represent dynamical systems, many machine learning-based implementations of the Koopman operator have recently been proposed. However, the vast majority of those works are limited to deterministic predictions, while th

data-driven models koopman operator uncertainty quantification meteorology climatology

发现论文，激发创造

时间序列预测的集成建模：一种自适应鲁棒优化方法

该论文提出了一种使用 Adaptive Robust Optimization 构建具有适应性权重的线性回归集成的新方法，以提高时间序列预测模型的准确性和鲁棒性，并演示了其在空气污染管理，能源消耗预测以及热带气旋强度预测等实际应用中优于其他竞争性集成技术的性能。

Apr, 2023

使用扩散模型模拟天气预报集合

利用生成型人工智能技术，从现有的少量预测数据中生成具有可靠性且准确度高的气象预测，且比传统方法成本少。

Jun, 2023

一致长期预测人人可达动力系统

在一个随机性质的遗传动力学系统下，我们研究分布的演化。通过利用 Koopman 和转移算子理论，可以将任意初始状态的分布向前演化到未来，我们研究了这些算子估计的长期预测表现。在观察到标准的估计方法在这方面可能会失败后，我们提出了一种学习范式，将运算符理论的特征值紧缩和统计学的特征中心化技术巧妙地结合起来。这个范式适用于基于经验风险最小化的任何算子估计方法，使它们在未来分布轨迹的整个过程中都满足学习界，并且每个预测分布都遵守质量守恒原理。数值实验展示了我们方法的优势。

Dec, 2023

GenCast：基于扩散的中期天气集成预测

基于机器学习的概率天气预测模型 GenCast 在 1 度分辨率下可以比传统的集合系统更准确地预测天气，并展示了良好的可靠性和物理一致性。

Dec, 2023

Koopman 核回归

该研究提出了一种基于 Koopman 算子理论的新型重现核希尔伯特空间 (RKHS)，称为 Koopman Kernel Regression (KKR)，可以提高预测的准确性和泛化能力，对于以 Koopman 为基础的预测器，最新的统计学习方法存在限制，所以提供比现有研究更为详尽的证明和更宽松的假设。

May, 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

在线机器学习用于顺序数据同化的预测不确定性估计

本研究提出一种基于卷积神经网络的机器学习方法，利用单个动力学模型集成来对表示预测误差协方差矩阵的状态相关预测不确定性进行估计，并在杂交数据同化方法中进行性能测试，证明该方法能够相对精确地预测高维状态中的预测协方差矩阵值。

May, 2023

机器学习集成中的预测不稳定性

在机器学习集成中，多个模型的预测被汇总。本文证明了一个定理，表明任何集成模型都会展现出至少一种形式的预测不稳定性，从而需要在信息利用的好处和预测不稳定性的风险之间取得平衡。该分析还揭示了特定集成算法所产生的预测不稳定性的形式，例如像随机森林或 xgboost 这样的流行树集成算法将违反基本的、直观的单调性和公平性属性。

Jul, 2024

动态气候影响模型的代理集合预测

为了在非线性和高度不确定性的气候影响模型驱动参数中提出一种可接受的代替模型，考虑深度学习 BLSTM 网络和随机森林 RFQR 模型替代 R0 预测，这些模型基于气候预测即温度和降雨量的季节性集合，建立合理的模型进行不确定性预测。

Apr, 2022

通过经典和机器学习模型的集成预测 COVID-19 传播：以西班牙为案例研究

本研究使用一组群体模型和机器学习模型来预测 COVID-19 疫情的近期趋势，结合病例、疫苗接种、人类流动和天气等数据，通过调整 Gompertz、Logistic、Richards 和 Bertalanffy 等经典人口模型和机器学习模型进行预测。该研究认为，对这两类模型进行集成能够提高预测的精度和鲁棒性，并可用于缺乏相关数据的情况下。

Jul, 2022