Jun, 2024

运动和天真预测融合在单变量随机游走中的点预测

PDF
TL;DR通过将运动预测与朴素预测相融合，以实现准确的一步点预测，本研究介绍了一种新颖的预测方法。通过理论分析、模拟和真实世界数据实验，证明了该方法的有效性。它可在运动预测准确率低至 0.55 的情况下，优于基准模型如 ARIMA、线性回归、MLP 和 LSTM 网络，在预测 S&P 500 指数和比特币价格方面可靠地超过朴素预测。当准确的点预测具有挑战性但能够获得准确的运动预测时，该方法尤为有利，可以将运动预测转化为随机游走环境中的点预测。
point forecastingrandom walksnaive benchmarksmovement predictionrandom walk contexts
发现论文，激发创造
  • 梯度提升树与神经网络结合的层次时间序列点与概率预测

    通过采用渐进式提升树和神经网络模型的混合方法，本文解决了点预测和概率预测问题。我们的方法包括将任务转化为对单日销量的回归、信息丰富的特征工程、创建一组多样化的先进机器学习模型以及精心构建的验证集用于模型调优。通过选择多样的机器学习模型和重要的验证示例，我们的方法在精确性和不确定性跟踪中获得了金牌水平的排名。

    Oct, 2023

  • 噪音金融数据的保守预测

    金融市场的价格波动被认为非常嘈杂，为减少风险并提高结果，我们采用了基于机器学习算法的模型集成方法，通过学习一系列模型并在测试时对数据进行修剪，预测固定期限收益。这种方法有望在更低的风险水平下获得更好的整体回报。

    Oct, 2023

  • 使用随机森林预测股市价格走向

    使用随机森林分类器等机器学习算法，通过对技术指标进行特征筛选，进行股价预测，预测效果优于已有文献中现有的算法。

    Apr, 2016

  • 人类移动可预测性极限的替代方法

    研究了使用 GPS 追踪数据进行下一地点预测的算法，提出了一个独立于时间尺度的自然长度尺度，并表明相比下一时间段位置预测，这种方法可以显著降低对下一地点的预测可靠性。

    Aug, 2016

  • 基于粒子流的循环神经网络用于概率时空预测

    采用基于粒子流的贝叶斯推理方法，通过状态空间模型实现时间序列预测以及不确定性分析，比当前点预测方法提供更好的不确定性特征与相似的预测准确性。

    Jun, 2021

  • 自主驾驶的流式运动预测

    基于连续数据流的轨迹预测是一个重要的问题，我们引入了一个新的基准测试来解决忽略了流数据中出现和消失的物体以及预测结果的时间连续性的问题，我们提出了一个名为 "预测流" 的算法来解决这个问题，并通过采用多模型轨迹传播和可微分滤波器来提高预测质量，得到了更准确的预测结果。

    Oct, 2023

  • 通过对抗攻击愚弄神经网络进行运动预测

    人体运动预测的敌对攻击实验表明，类似于图像分类中的初始阶段，针对 GCN 和基于 MLP 的多回归模型进行的广泛实验表明模型在较低程度的扰动下容易受到攻击，以及简单的 3D 变换能够影响模型的性能。

    Mar, 2024

  • 在边缘计算环境下预测复制运动的时间特征

    本文研究 Fog computing 环境中数据本地性的有效管理至关重要，传统的数据复制技术缺乏操作更高级别的技术，因此需要更先进的技术来预测客户何时何地连接，并借助 Holt-Winter 的指数平滑模型来将时间预测结合到现有的空间预测模型中，以提高数据可用性和减少数据冗余。

    Jun, 2023

  • 羽毛球运动员下一步将移动到哪里？基于动态图和分层融合的运动预测

    本文介绍了一种基于 PM 图和互动风格提取器的动态图和分层融合运动预测模型（DyMF），用于预测运动员的回球类型和动作位置。该模型在运动预测上实证表现优于基于序列和基于图形的方法。

    Nov, 2022

  • 一种结合移动边界、数据分解和深度学习的新方法，用于预测复杂时间序列

    本篇论文研究了如何使用单变量时间序列预测复杂时间序列（如印度季风降雨量）。作者提出了一种新的 Moving Front 方法来防止数据泄漏，并使用经验小波变换将季风降雨量分解为较简单的构成序列。所提出的 EWT-MF-LSTM 模型表现出良好的预测性能。

    Mar, 2023