该研究论文介绍了连续时间贝叶斯网络的一种新的采样方法——Gibbs采样，以解决对多组件过程进行精确推理的困难。该方法可以适应进程的自然时间尺度，减少计算成本，并提供渐近无偏的近似。

Jun, 2012

本文研究异步Gibbs抽样中的偏差和混合时间问题，展示理论结果与实验结果的相符性。

Feb, 2016

本研究提出了一种基于 TimeGrad 的自回归模型，用于多元概率时间序列预测，该模型在每个时间步长从数据分布中采样，通过估计梯度进行采样，采用扩散概率模型，优化可变界，通过 Langevin 采样将白噪声转换为感兴趣的分布样本，在实验中表明，该模型是当前实现多元概率预测的最佳方法之一，可实际应用于数千个相关维度的真实数据集。

Jan, 2021

本研究提出了一种基于ETS的改进型Transformer架构——ETSFormer，通过引入指数平滑、曲线趋势拟合和频率部分的注意力机制和模块化分解来提高时间序列预测的准确性和效率，实现了对时间序列数据的分解和解释。

Feb, 2022

PROFHIT提出了一种全概率层次预测模型，它通过引入Distributional Coherency正则化来从层次关系中学习完整预测分布，从而实现鲁棒和校准的预测，能够适应变化的层次一致性，并在广泛的数据集上获得了比其他方法高达41-88％的准确性和校准性能提升，在数据缺失时仍能提供可靠的预测。

Jun, 2022

该论文介绍了一种自动发现复杂时间序列数据准确模型的新方法，该方法通过贝叶斯非参数先验和符号空间上的高斯过程时间序列模型，以及蒙特卡洛方法和马尔可夫链蒙特卡洛方法的结合进行有效的后验推断。实证测量表明，相比以往的马尔可夫链蒙特卡洛方法和贪心搜索结构学习算法，我们的方法在相同模型族上可以提供10倍至100倍的运行时间加速。我们将该方法应用于1,428个计量经济学数据集的重要基准的首次大规模评估，结果显示我们的方法能够发现合理的模型，在挑战性数据上相比于常用的统计和神经网络模型，可以提供更准确的点预测和区间预测。

Jul, 2023

本研究描述了一种可视为加法和乘法指数平滑模型的季节性和非季节性时间序列模型家族，它们的发展受到了快速增长、波动性时间序列的推动，并借助先进的贝叶斯拟合技术的便利。在应用于M3比赛数据集时，它们的性能超过了比赛中最好的算法及其他基准方法，因此在文献中达到了我们所知的单变量方法在该数据集上的最佳结果。

Sep, 2023

PROFHiT是一种完全概率性的分层预测模型，通过灵活的概率贝叶斯方法和引入新颖的分布一致性正则化，能够从分层关系中学习整个预测分布，从而实现鲁棒和校准的预测，并适应具有不同分层一致性的数据集。评估结果显示，PROFHiT在准确性方面表现出了41-88%的改进，并且具有更好的校准性。此外，由于对整个分布的一致性建模，当输入时间序列数据缺失10%时，PROFHiT仍然能够提供可靠的预测，而其他方法的性能会下降超过70%。

Oct, 2023

本研究解决了传统吉布斯抽样在随机扫描中选择变量均匀性的问题。提出了一种非均匀选择的随机扫描吉布斯抽样方法，并通过约束优化构建选择概率的解析解。这种改进显著提高了马尔可夫链的混合时间，并在实际应用中验证了其有效性。

Aug, 2024

本研究解决了现有归一化方法在时域操作时未能充分捕捉频域动态模式的问题。我们提出的FredNormer通过从频率角度观察数据集并自适应加权关键频率成分，显著提高了预测性能。实验结果显示，FredNormer在多项设置中超越了传统归一化方法，平均降低了模型的均方误差。

Oct, 2024