探索了预测的增长，这是一种使用明确的假设和定量估计的政治科学工具，可以帮助机构建立 AI 发展的中长期策略。该研究检查了成功的预测方法，其中包括了 Phillip Tetlock 的 “十个戒律”，并展示了超级预测员的案例研究和他们的洞察力最为可靠。对于应对快速变化的技术环境，设计师和政策制定者应该考虑预测作为第一道防线。

Mar, 2023

通过采用创新的人工智能方法（如梯度提升），提出了一种透明度与高准确性相结合的玻璃盒方法，用于风力发电预测，该方法能够有效解释全球和实例角度上的预测结果，并且相比大多数基准模型表现更好且与最佳神经网络模型相当，因此在可靠的风力发电预测中具有强大的竞争优势。

Oct, 2023

本文探讨了语言因素与预测技能之间的联系，并基于语言模型对预测技能进行了准确预测。

Jun, 2020

利用 AI 安全中的 Seldonian 优化框架，我们提出了一种新的流感样疾病预测方法，其可以系统地结合专家反馈和指导，以达到更好的预测效果，并且在测试数据上能够将均方根误差减少多达 17%。

Dec, 2020

提出了一种开发预测模型的框架，包括数据集清理、算法选择、多重交叉验证等步骤，以及在智能预测竞赛和库存管理中的应用。

Apr, 2023

复杂的机器学习模型在天气和气候预测中取得了高预测准确性，但不透明性限制了用户的信任和模型的进一步改进。因此，提高天气和气候模型的可信度和效用至关重要，我们调查了当前应用于气象预测的可解释机器学习方法，并将其分为后处理可解释性技术和从头开始设计可解释性模型两大范 Paradigm。最后，我们讨论了实现与物理原理相一致的更深层次的机械解释，开发标准化评估基准，将可解释性融入迭代模型开发工作流程以及为大型基础模型提供可解释性所面临的研究挑战。

Mar, 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

深度学习系统在图像分类、基本编程和标准化测试中已经达到或超过了人类的准确率。然而，在预测未来事件的能力上，模型仍然难以取得准确的结果。本研究使用了一种新颖的真实世界事件数据集和相关的人类预测，提出了一个评估指标来衡量预测能力，并对不同基于 LLM 的预测模型在该数据集上的准确性进行了分析。结果显示，模型在预测未来方面仍然存在困难，可能是由于模型倾向于猜测大多数事件不太可能发生，这在许多预测数据集中是正确的，但并不反映实际的预测能力。我们对开发系统化和可靠的 LLM 预测方法的下一步工作进行了思考。

Jun, 2024

该研究介绍了 Autocast 数据集以及伴随的新闻语料库，以提高语言模型的预测能力，其中还包括数字问题和度量标准的 IntervalQA 数据集，并发现语言模型的性能远低于人类专家基准，但随着模型规模和新闻语料库相关信息的增加，性能有所提高。

Jun, 2022

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