- MIRAI: 评估 LLM 智能体的事件预测能力
通过研发 MIRAI 这一新的基准测试，我们全面评估了大型语言模型在国际事件预测方面的能力，从而为国际关系分析的更准确可靠的模型的开发做出了贡献。
- 具有非重尾高斯损失加权采样器的稳健时序预测
预测多元时间序列的计算密集型任务中，重采样方法无法解决重尾分布损失的问题，为此我们引入了一种新的方法：高斯损失加权采样器，通过乘以高斯分布权重来减少选择极低或极高损失样本的概率，优化了训练效率并提高了预测质量。
- DustNet：萨赫勒地区沙尘的技巧性神经网络预测
DustNet 是一个快速而准确的模型，使用纳秒级训练和秒级预测，在粗糙的 1x1 度分辨率情况下，超过了基于物理模型的最先进模型的 95% 格点位置上的地面真实卫星数据，具有潜力改变我们对天气模式影响的理解。
- UnO: 无监督占用场景的感知和预测
我们提出了一种使用自监督从 LiDAR 数据学习连续的 4D（时空）占据场的无监督世界模型，该模型可以轻松有效地迁移到下游任务，并在点云预测和 BEV 语义占据预测方面取得了最先进的性能，特别是在标注数据稀缺时。此外，在与先前的时空几何占据 - EpiLearn：用于疫情建模的 Python 机器学习库
EpiLearn 是一个 Python 工具包，用于建模、模拟和分析流行病数据，通过机器学习方法支持流行病建模的评估和分析，包括模拟、可视化、转换等各种综合工具，并提供了一个训练和评估流行病模型的统一框架，用于预测和源检测任务，以及开发新模 - 在低数据环境中通过合成数据提高室内温度预测能力
通过结合真实数据和合成数据来改善训练集并解决数据不平衡问题，合成数据增强在提高预测准确性方面具有潜力，并可为低数据环境下的更强大的预测模型铺平道路。
- 语言模型是否能使用预测策略？
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 - 高斯预测：用于运动外插和自由视点合成的动态三维高斯预测
使用 GaussianPrediction 框架，结合 3D Gaussian 表示法、动态场景建模和未来场景合成等技术，实现对动态环境中未来状态的预测和渲染。
- DeepHGNN: 基于图神经网络的层次相关多变量时间序列预测方法研究
这篇论文介绍了一种针对复杂层次结构的新型 Hierarchical GNN（DeepHGNN）框架，该框架通过创新的基于图的层次插值和端到端的协调机制，在多个层次上确保了预测的准确性和一致性，同时在层次之间共享信号，以解决层次预测中的一个关 - 时间序列表示模型
我们提出了一种基于内省的时间序列分析的新架构概念，其中关键是自监督预训练的时间序列表示模型（TSRM），可以在自动化和资源高效的方式下进行定制和微调，以实现特定任务，如预测和插补。我们的架构通过灵活和分层的表示学习过程对抗缺失数据和异常值， - 利用机器学习预测四个商业周期阶段：美国和欧元区的案例研究
研究了机器学习模型在自动分析经济状态方面的能力，以预测美国和欧元区的商业周期阶段，结果表明 MLR 取得了最佳结果，并可准确预测商业周期，对经济和金融领域决策具有帮助。
- LaT-PFN：一种用于上下文时间序列预测的联合嵌入预测架构
LaT-PFN 是一种具有强大嵌入空间的时间序列模型，可以实现零点预测，并通过利用 JEPA 框架和 PFN 框架进行上下文学习来改善结果。
- 基于低秩适应的时间序列基础模型在领域外模态预测中的应用
通过对 Lag-Llama、MOIRAI 和 Chronos 这三个基础模型应用 Low-Rank Adaptation (LoRA) 技术，本研究探讨了在时间序列数据中使用 LoRA 对预测严重感染患者生命体征的影响，证明了 LoRA 在 - 负载预测的自动深度学习
电力消耗预测是确保电网性能和稳定性的关键，本文介绍了自动深度学习在负荷预测中的应用，并通过自动选择特征和优化网络架构和超参数，展示了能够超越现有方法的原创深度学习模型。
- 非参数控制 - Koopman 操作器学习：灵活可扩展的预测和控制模型
通过控制仿射再现内积核，我们提出了一种通用框架 —— 控制 Koopman 算子回归（cKOR），它允许直接估计单个算子，用于解决非线性控制仿射系统的 Koopman 算子表示的学习问题，并且通过利用随机投影（sketching）增强了控制 - 海冰预测的独角兽：基于卷积神经常微分方程的 U-Net
通过引入一种名为 Unicorn 的新型深度架构，该论文旨在使用神经网络预测北极的每周海冰浓度，并通过对 1998 年至 2021 年的真实数据进行实证分析，证明了该模型在海冰浓度和范围预测任务中相较于其他模型具有显著的改进。
- 使用长短期记忆神经网络预测渡轮客流
使用基于 LSTM 的神经网络模型，该研究探讨了在不同预测和时间序列研究中应用神经网络的可行性，并展示了对菲律宾两个港口的渡轮客流量进行预测的 72% 至 74% 的准确度。
- QxEAI - 自动概率预测与量子式进化算法
论文提出了 QxEAI 方法，它利用基于训练量子逻辑决策树和经典价值树的类量子演化算法生成概率预测，通过使用道琼斯指数的不同周期，展示了该方法在准确预测方面的表现，同时几乎不需要人工干预。
- DeepVARMA：化工行业指数预测的混合深度学习和 VARMA 模型
通过将 LSTM 模型用于去除目标时间序列趋势和学习内生变量表示，再结合 VARMAX 模型对去趋势目标时间序列进行预测，该研究提出了一种新的预测模型 DeepVARMA 及其变体 Deep-VARMA-re 和 DeepVARMA-en， - 深度学习中的即时数据增强技术用于预测
利用 OnDAT (即时数据增强) 方法，在深度学习模型的训练和验证过程中动态生成不断变化的增强数据集，以减少过拟合并提高预测性能。通过实验证明，与在训练之前应用数据增强的策略以及不采用数据增强的策略相比，OnDAT 方法能够获得更好的预测