- 通过预测物体移动来学习时间线索的多摄像头三维物体检测
在自动驾驶和机器人技术中，利用短期历史数据增强多摄像头 3D 物体检测的兴趣日益增长，通过利用输入视频流的连续且相关性质来实现。最近的研究集中在基于 BEV（鸟瞰图）的特征在时间步内的空间对齐上。然而，由于长期过去的观测没有良好的扩展效果， - 基于历史降雨数据的印度季风降水预测技能与 NCEP-NWP 预报对比
应用深度学习算法和历史降雨数据进行预测，结果表明与基于数值天气预报模型和持续性预测相比，我们的预测更准确，同时我们发现过去 20 天的数据对降雨预测有帮助，并提出了改进数值天气预报的建议。
- 一种高级加密货币价值预测的自适应网络方法
本文研究了使用自适应网络模糊推理系统 (ANFIS) 预测未来七天加密货币价格的架构。使用每日时间框架的比特币 (BTC)、以太坊 (ETH)、比特币占主导地位 (BTC.D) 和以太坊占主导地位 (ETH.D) 的历史数据进行预测，采用混 - 非稳态下学习的稳定性原则
我们在非平稳环境中开发了一个多功能的统计学习框架，应用稳定性原则选择最大化利用历史数据的回溯窗口，并将累积偏差控制在可接受的范围内，以适应未知的非平稳性。通过两个新颖组件：函数相似性度量和数据分割技术，我们的理论展示了这种方法对于未知非平稳 - Europepolls: 欧盟和英国的国家级民调数据集
构建一个开放的国家级历史民意调查数据集，以填补现有欧盟民意调查数据的不足，并为研究人员提供解析多模态数据（新闻文章、经济指标、社交媒体）和选民行为之间复杂交互的机会。
- 透过连续粒子滤波在循环神经网络中进行隐状态近似
本文介绍一种基于历史数据，使用逐步加粗的粒子来近似表示潜在状态分布的序列预测模型，利用连续可微分的方案，根据贝叶斯规则，自适应提取有价值的信息和更新潜在状态，并在预测任务中取得了良好的效果。
- 基于历史和情感分析的股市预测模型 HiSA-SMFM
该研究使用历史和情感数据，通过应用 LSTM，整合股票价格与新闻发布之间的强相关性，提高了股票价格的预测准确性。
- 制造业中基于数据驱动的列生成算法解决装箱问题
本文提出了一种利用历史数据解决运输中的装箱问题的方法，通过将问题转化为集合覆盖问题，并应用约束处理和流程加速策略来解决该问题，最终得出可以提高装箱成功率并同时减少计算时间的最优解决方案。
- 使用深度 Q 学习的销售时间序列分析
本文研究了使用深度 Q - 学习模型解决销售时间序列分析问题，发现可以通过使用基于参数模型和历史数据的环境建模来优化决策过程，以实现定价策略和供需问题的优化。
- 在线二分匹配的深度策略：一种强化学习方法
本文提出了一个端到端的强化学习框架，基于历史数据的试错，通过设置神经网络架构和设计特征表示，对在线匹配问题进行更好的匹配决策。在两个在线匹配问题中，我们的模型表现得比传统算法更好，提高了匹配质量约 3-10％，代码可在给出的 URL 中公开 - 极速交流最优潮流学习
本文介绍了一种基于机器学习方法的在线求解交流优化潮流问题的方案，通过利用历史数据来学习系统负载和最优发电量之间的映射关系，实现在毫秒级别上获得近乎最优的解决方案，避免了解决非凸优化问题带来的计算挑战。
- MMRecoGym：在线广告推荐问题的强化学习环境
介绍了 RecoGym，一个基于强化学习的环境，旨在解决基于历史数据的监督学习建模在在线实践应用中缺乏表现优异的问题。通过模拟用户与产品之间的交互信息，有效地提高了推荐系统的实时性和准确性。
- ACL随时间演变的词嵌入揭示语义变化的统计规律
通过评估 PPMI，SVD 和 word2vec 等词嵌入模型来量化语义变化的方法，我们提出并验证了语义演化的两个定量化规律：与频率呈反幂律相关的语义变化率规律和与多义性无关的语义变化率规律。
- 强化学习的高效离线策略评估
本文提出了一种新的方法来预测在给定历史数据的情况下，加强学习策略的表现。通过在模型基础评估和重要性采样评估之间进行混合，提出一个基于双重稳健估计器扩展的新估计器，使得估计结果的均方误差通常比现有方法低几个数量级。
- 军事联盟网络、战争和国际贸易
本文研究联盟在防止（多边）国家间战争中的作用，并表明国际贸易会增加联盟的密度，从而减少攻击的可能性和稳定联盟。通过历史数据对战争和贸易进行分析，显示联盟密度增加和稳定与战争数量下降一致，这一结论与其他著名理论不同。
- 面向数据驱动问题的似然鲁棒优化
本文提出了一种新型的分布鲁棒优化模型 —— 似然鲁棒优化模型，以历史数据为依据，用置信区间代替概率分布，解决了当环境不确定且输入分布未知的决策问题，避免了以往过于谨慎的方法对真实分布的偏离和对输出的限制。
- 基于数据的社交影响力最大化方法
本文从数据角度出发，提出一种 credit distribution 模型，结合历史数据和时序属性，较之传统方法更稳健高效的解决了影响力最大化问题。
- 当均值和协方差未知时的均值方差组合优化
回顾了不同文献中解决马科维茨优化难题的方法后，提出了一种新方法，该方法在模拟和实证研究中表现出较大的改进，并允许灵活的建模以包含历史数据的动态特征和基本分析。
- 从日志数据中学习隐式探索
本研究提供了一种利用非随机探索数据处理上下文匹配、或部分标记的相关问题的方法，可以学习到一个基于历史数据特征的行动选择策略，并通过 Yahoo! 实际数据进行了实证验证。