基于 Transformer 的时间序列符合预测
本论文讨论了长期时间序列预测 (LTTF) 中的 Transformer 模型,提出了一种有效的基于 Transformer 的模型 Conformer,采用编码器 - 解码器架构和正则化流派生的模块进一步提高信息利用率,并显式地建模时间序列数据中的互系列相关性和时间动态以加强下游自我关注机制,实验表明 Conformer 模型在 LTTF 中优于现有的方法,并可生成可靠的预测结果与不确定性量化。
Jan, 2023
我们研究了时间序列预测的不确定性量化问题,旨在提供易于使用且具有形式保证的算法。我们提出的算法基于符合性预测和控制理论的思想,能够在在线环境中前瞻性地模拟符合性得分,并能适应由季节性、趋势性和一般分布变化引起的系统误差。我们的理论简化和加强了现有的在线符合性预测分析。在美国州级 COVID-19 死亡人数提前四周预测的实验中,我们与官方 CDC 通讯中使用的集合预测方法相比,覆盖范围有所改善。我们还使用自回归、Theta、Prophet 和 Transformer 模型对电力需求、市场回报和温度进行了实验预测。我们提供了一个可扩展的代码库,用于测试我们的方法以及集成新算法、数据集和预测规则。
Jul, 2023
本文介绍了一种新的预测方法,将 Conformal prediction 和经典的 quantile regression 相结合,使其完全适应异方差性,并且能够在不做分布假设的情况下,建立具有有效覆盖率的预测区间,相比其他 conformal 方法,本文提出的方法具有更高的效率和更短的预测区间。
May, 2019
该研究提出了一种新的基于时间序列的投影置信预测方法 HopCPT,它不仅解决了时间序列的时间结构问题,而且利用了时间结构,实验表明,该方法在多个真实数据集中的表现优于现有的基于时间序列的投影置信预测方法。
Mar, 2023
本研究提出了一种基于条件分布模型(如分位数和分布回归)构建有条件有效的预测区间的健壮方法,可以应用于横截面预测、k 步预测、合成控制和反事实预测、个体治疗效果预测等重要预测问题。
Sep, 2019
本文提出一种基于 Transformer 的方法来估计高维多变量时间序列的联合预测分布,该方法基于注意力机制的解码器能可靠地模拟非参数 Copulas 的特性,使得模型具有多种有用的属性,其中包括可以缩放到数百个时间序列,支持预测和插值,可以处理非对齐和不均匀采样的数据,并可以在训练期间无缝地适应缺失数据,最终的实证结果表明我们的模型在多个真实数据集上都可以产生有竞争力的预测效果。
Feb, 2022
本研究提出了一种完整的解决方案,包括特征提取和目标预测,旨在解决多变量长期时间序列预测中的空间特征提取和不同预测时期的一致性问题。新的方法称为 “时空编码串联变压器(Stecformer)”,其采用高效的时空编码提取器和级联解码预测器来改善基线模型的性能,并在五个基准数据集上实现了与基线模型可比较的最先进性能。
May, 2023
本文提出了一种新颖的使用具有时间序列分解的符合预测时间序列预测方法,在每个分量上应用特定的符合算法,然后合并所得预测区间,以适应不同分量之间的不同可交换性情况。该分解方法在合成和现实数据上进行了详细讨论和经验评估,发现该方法对结构良好的时间序列提供了有希望的结果,但在处理较复杂数据时,受到分解步骤等因素的限制。
Jun, 2024
提出了一种基于编码器 - Transformer 结构的多元时间序列预测框架,用于预测系统剩余可用寿命,与其他 13 种当前最先进模型相比,其性能提升了平均 137.65%。
Aug, 2023
本文提出一种新的针对预测模型的 Conformal prediction 泛化方法,通过引入加权分位数来抵御数据分布漂移的影响,同时设计一种新的随机化技术,允许不对称处理数据点的算法。实验表明,该方法在数据点不可交换的情况下具有较高的鲁棒性,并且在数据点可交换情况下达到了与现有方法相同的覆盖率保证。
Feb, 2022