21 世纪的现代旅游面临着众多挑战，其中游客数量快速增长、历史城市、博物馆等地区空间有限以及桥梁等瓶颈是最大的问题之一。本文中，我们通过使用深度学习方法（如 RNNs、GNNs 和 Transformers）以及经典的统计 ARIMA 方法在游客流量预测领域进行实证评估，扩展了旅游区域提供的有限数据，并引入了游客的地理位置轨迹、天气和假日等外部数据，以提高预测准确性和处理稀疏数据的能力。

Aug, 2023

通过整合新闻详情中真实生活事件、历史销售数据、节假日信息以及 Google Trends 产品趋势数据，提出了一种多模式销售预测网络，该网络在超市实际数据集中比现有的销售预测技术具有统计显著性的改进，平均 SMAPE 误差率提高了 7.37％。

Oct, 2022

使用机器学习、深度学习和统计分析技术来预测股票价格的准确模型一直是个具有挑战性的任务，本文将回顾多种深度学习算法，包括移动平均、ARIMA、LSTM、RNN、CNN 和全卷积神经网络模型，以及通过误差计算方法如均方根误差、平均绝对误差、均方误差等来评估其准确性，结果表明，较低的平均绝对误差（MAE）值可以更准确地预测股价。

Feb, 2024

通过整合宏观经济时间序列和不同的特征选择方法，本研究探索数据驱动技术在改善顾客需求预测中的潜力。将不断自动识别的适当时间序列应用于工业合作伙伴的销售数据，并发现通过整合外部信息能够显著提升预测能力，尤其是使用前向特征选择技术能够自动化、无需专业知识和手动选择的方式提高预测准确性。在比较 SARIMAX 和 Neural Prophet 预测模型的误差分析中，未观察到任何模型显著优于另一个的情况。

May, 2024

本文研究实际 IP 网络流量的统计模型预测，使用滚动预测方法得到显著的预测性能改进。通过评估自回归移动平均模型、带时序因子的自回归移动平均模型、带外生因子的自回归移动平均模型、Holt-Winter 模型等方法，以及结合 SARIMAX 方法使用 SARIMA 模型等手段，分析其表现差异与影响因素，并得出 SARIMAX 方法下滚动预测均方误差为 6.83％的最佳预测结果。

May, 2022

本文介绍了一种卷积神经网络框架来自动地学习匹配地理空间数据中的 空间相关性，使用卫星图像中嵌入的邻域信息实现所需的空间平滑，并且克服了现有方 法的线性假设的局限性。在伦敦、伯明翰和利物浦三个城市的基础上，使用深度神经 网络的特征，相较于空间自回归基线，数据估计精度提高了 57％。

Oct, 2016

借助美国航空公司的大量数据，本研究提出了一种新颖的多模态深度学习方法，以准确预测航班客流量，相较传统模型获得了显著的准确性提升。将循环神经网络（RNN）和卷积神经网络（CNN）相结合，并利用数据的时间和空间关系来增强预测性能，同时运用全面的数据处理策略，如构建三维张量、谨慎的遮掩策略和数据增强技术。研究结果表明，相较于传统基准模型，该方法的均方误差（MSE）约提高了 33%。因此，本研究强调了深度学习技术和细致数据处理在航班客流量预测领域的重要潜力。

Jan, 2024

通过使用传统的状态空间模型、监督学习技术和深度网络，结合气象数据和搜索引擎趋势作为特征，本研究对新加坡每周登革热病例进行了预测，发现使用卷积神经网络能够以最低的 RMSE 预测 2019 年的每周病例。

Jun, 2024

本文选用六种模型（灰色预测模型、ARIMA 模型、SARIMAX 模型、人工神经网络模型、随机森林模型和长短时记忆模型）对中国所有部门（电力、工业、地面交通、住宅、国内航空、国际航空）在 2020 年 1 月 1 日至 2022 年 9 月 30 日的日期间序列数据进行预测，结果表明长短时记忆模型具有最佳的预测性能。

Feb, 2023

本研究比较了传统方法和新兴神经网络方法的时间序列预测性能，使用了各种度量标准来评估它们的性能，结果表明 Deep AR 比所有其他深度学习和传统方法表现得都好，且其预测能力不会因训练数据量减少而降低。这表明，将深度学习方法纳入预测场景中显著优于传统方法，并可处理复杂的数据集，在天气预报和其他时间序列应用等各种领域具有潜在应用。

Jun, 2023