本文介绍了超树的概念，并提供了将基于树的模型应用于时间序列数据的新方向。与直接预测时间序列的传统决策树应用不同，超树旨在学习目标时间序列模型的参数。我们的框架利用了增强树的基于梯度的性质，使我们能够将超网络的概念扩展到超树，并对树模型引入时间序列归纳偏差。通过将目标时间序列模型的参数与特征相关联，超树解决了参数非平稳性的挑战，并使基于树的预测能够扩展到其初始训练范围之外。通过我们的研究，我们旨在探索超树在各种预测场景中的有效性，以及扩大梯度增强决策树在时间序列预测中的应用。

May, 2024

我们提出了一种新颖的方法，利用 TreeSHAP 解释性方法在线选择基于树的模型，并在时间序列预测任务中进行运用，以解决过拟合问题和模型选择的困境。实证研究表明，我们的方法在多个真实数据集上取得了与现有方法和基线方法相当甚至更好的结果。

Jan, 2024

使用基于数据驱动的长短时记忆（LSTM）循环神经网络的预测方法，展示了该方法在高维混沌系统中的定量预测效果，并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比，LSTM 在所有应用中都表现出更好的短期预测准确性，并且 MSM-LSTM 可以保证收敛到不变措施。

Feb, 2018

研究了一种多尺度的树形递归开关线性动态系统，使用贝叶斯采样程序和 Polya-Gamma 数据增强实现贝叶斯推断。这种模型旨在同时提供可解释的描述和更准确的预测，通过一系列合成和真实的案例，展示了这种模型在解释性和预测能力上优于现有的方法。

Nov, 2018

本文提出了一种通过最佳凸组合前馈神经网络、水库计算和长短期记忆等算法构建的深度学习模型及集成学习框架，能够联合应用于深度学习和集成方法来提高模型准确性、稳定性、可扩展性和再现性，创造出新的应用，尤其在可预测混沌动态和极端事件预测等方面表现出色，且对于多种数据集和应用场景有很强的普适性。

Jun, 2021

动态回归树是一种自动回归和分类的有吸引力的选择，可用于在线应用程序设置中具有复杂响应曲面的情况。本文提出了一种序列树模型及其粒子学习算法，这种算法允许对树状态进行高效的在线后验过滤。除此之外，本文还探讨了常数和线性均值函数以及分类问题的多项式叶子等问题，并提出了默认的先验规范。本文还详细说明了每个应用程序的具体方法。最后，实验证明，我们的方法在成本的一小部分下能够提供比常用方法更好的结果。

Dec, 2009

本文研究使用数据驱动框架和神经网络来预测复杂的非线性时空过程，并表现出显著的改进。

Feb, 2019

引入了一种用于具有连续特征的分类树的移动视距差分进化算法 (MH-DEOCT)，通过在每个节点上迭代训练浅子树来平衡视觉和优化器能力，实验证明其在训练和测试准确性上优于启发式方法 CART 的平均 3.44% 和 1.71%，同时在深树和大规模数据集方面具有显著的可扩展性。

Nov, 2023

本文研究了长期预测问题，提出了一种基于周期性的基础模型和建立在其上的频域神经网络模型 “FreDo”，并通过与时域模型的比较证明了其优越性。

May, 2022

通过使用基于数据的方法，该研究提出了 Long Short-Term Memory (LSTM) 网络来推断未观察到的（隐藏的）混沌变量的动力学，时间预测完全状态的演变并推断其稳定性。

May, 2023