顺序学习环境下的 COBRA 变体

Apr, 2024

Some variation of COBRA in sequential learning setup

Aryan Bhambu, Arabin Kumar Dey

TL;DR该研究论文介绍了基于不同变化的组合回归策略的多变量时间序列预测的创新方法。我们使用特定的数据预处理技术，对预测行为产生了重大变化。通过两种类型的超参数调优方法，贝叶斯优化（BO）和常规网格搜索，我们比较了模型的性能。我们提出的方法在八个时间序列数据集上（加密货币、股票指数和短期负荷预测）优于所有最先进的比较模型。

Abstract

This research paper introduces innovative approaches for multivariate time series forecasting based on different variations of the combined regression strategy. We use specific data preprocessing techniques which makes a radical change in the behaviour of prediction. We compare the per

multivariate time series forecasting combined regression strategy data preprocessing techniques hyper-parameter tuning state-of-the-art comparative models

发现论文，激发创造

金融时间序列预测：基于混合机器学习方法实现性能和解释性的协同

比特币价格的预测引起了在金融市场和投资策略上的关注，本研究提出了一个关于混合机器学习算法在提高模型可解释性方面的比较研究。通过实证实验，我们发现线性回归模型在候选模型中表现最好。对于模型的解释性，我们对时间序列统计的预处理技术进行系统概述，包括分解、自相关函数、指数三重预测等，旨在挖掘金融时间序列中的潜在关系和复杂模式。我们相信这项工作将在时间序列分析及其实际应用领域引起更多关注，激发更多的研究。

Dec, 2023

基于区域标准的 COBRA 方法在条件生存预测中的应用

本文探讨了一种不同的组合回归策略，用于计算条件生存函数。我们使用基于回归的弱学习器创建了提出的集成技术。提出的组合回归策略使用接近度测量作为两个生存曲线之间的区域。提出的模型表明，它比随机生存森林更好。该论文讨论了一种在组合回归设置中选择最重要变量的新颖技术。我们进行了模拟研究，证明了我们关于变量相关性的提议非常有效。我们还使用三个真实数据集来说明该模型。

Sep, 2023

基于集成 Brier 得分的生存 Cobra 模型 —— 一种基于回归的方法

该研究提供了使用 COBRA 集成和 Integrated Brier Score 来预测条件生存函数的两种新实现方法。利用基于回归的弱学习器，我们创建了一种基于归一化集成 Brier 分数作为权重的新型预测器，同时考虑了右侧截尾数据，通过在现实数据分析中对算法进行了说明。

Oct, 2022

多任务学习的凸组合预测模型

通过深度神经网络实现的多任务学习方法同时解决选取适当的预测模型和学习它们的凸组合权重两个问题，提出了一种基于特征的预测的多样性与模型组合以及模型选择之间相互作用的优化驱动方法，实验证明该方法在生成综合预测中比现有方法提高了点预测准确性。

Oct, 2023

顺序模型基于集成优化

本文提出了一种新的基于 SMBO 和贝叶斯学习的自动构建学习模型合集的方法，实验证明其优于传统的 SMBO 方法在回归以及分类数据集上的表现。

Feb, 2014

大规模时间序列的预测：基于特征的方法

在经济学及其他预测领域中，现实世界问题过于复杂，难以用单一模型假设一种具体的数据生成过程。两种基于时间序列特征的方法：基于特征的模型选择和基于特征的模型组合，对于预测大量时间序列时，各种方法的预测性能随时间序列的性质发生变化。本章讨论了最先进的基于特征的方法，并参考开源软件实现。

Sep, 2023

时间序列分析的线性、机器学习和概率方法

本文研究时间序列建模的不同方法，描述使用线性模型、ARIMA 算法、XGBoost 机器学习算法的预测方法，并展示不同模型组合的结果，同时考虑使用 copulas 和贝叶斯推断的概率建模方法。

Feb, 2017

基于贝叶斯回归的建模和堆叠方法在时间序列分析中的应用

本文采用贝叶斯回归法建模时间序列，并堆叠不同的预测模型，使其能够估计时间序列预测不确定性和风险特征，同时探讨使用贝叶斯回归的层次化模型来应对历史数据短、数据变化不明显的销售预测问题。结合 ARIMA, 神经网络，随机森林和 Extra Tree 模型进行预测，利用二层的贝叶斯回归法通过估计回归系数的分布进行信息融合，以最终预测的风险做决策支持。

Jan, 2022

基于顺序一般变分模式分解方法的时间序列预测组合模型

金融时间序列的准确预测对市场经济参与者和投资者至关重要。本文选择在线商店销售和澳大利亚啤酒销售作为非平稳、趋势和季节性金融时间序列的代表，并以非线性组合方式构建了一个新的 SGVMD-ARIMA 组合模型来预测金融时间序列。ARIMA 模型、LSTM 模型和其他经典分解预测模型作为对照模型，比较不同模型的准确性。实证结果表明，构建的组合预测模型相对于单一预测模型和线性组合预测模型具有普适优势。在预测区间内，我们提出的组合模型相对于传统分解预测对照模型具有改进优势。

Jun, 2024

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