- 概率自回归预测模型的对抗攻击
我们针对神经模型输出概率分布序列的情况,开发了一种更有效的对抗攻击方法。我们解决的关键技术挑战是如何通过蒙特卡罗估计输出序列的联合分布统计量。此外,我们将概率预测的先前工作扩展到贝叶斯设置中,可以对未来观测进行调节。我们证明了这种方法可以在 - 深度整合差分方程模型用于时空预测
本文使用 CNN 模型提取过程动态,并在层次统计 IDE 框架下采用集合卡尔曼过滤器进行概率预测,从而提供了一种现实的、可解释的和计算高效的动态全局先验模型。
- 一种新的平滑损失和惩罚函数,用于通过深度神经网络进行非交叉复合分位数估计
本文提出了一种新的平滑损失及惩罚函数的神经网络方法,用于解决智能电力系统中风能等可再生能源的概率预测问题中遭遇的分位数交叉问题,实证研究结果表明该方法可以有效提高风力发电预测的准确性。
- 基于时序卷积神经网络的概率预测
本研究基于卷积神经网络提出了一种概率预测框架,可用于多个相关时间序列的预测,并可在参数和非参数设置下估计概率密度。该方法通过堆叠残差块实现了序列的时间依赖关系,并通过表示学习捕获了季节性、假日效应等复杂模式,实验证明该框架在精度和效率方面均 - ICCVPRECOG: 在视觉多智能体环境中基于目标的预测
本研究提出了一种基于激光雷达和历史位置数据的多智能体未来交互预测模型,包括标准预测和条件预测,并针对自动驾驶车辆的目标进行了评估。实验结果表明,该模型在多智能体驾驶情景中比现有技术更准确。
- AAAI非参概率风力预测的受约束支持向量分位回归的实证分析
本文通过支持向量机和非线性分位数回归结合非交叉约束的方法,进行了风能非参数概率预测的数值研究,并使用 Global Energy Forecasting Competition 2014 的公开数据进行了案例研究,结果表明该方法能够更准确地 - 紧致空间上的严格适当核分数和特征核
本文以概率预测为背景,探究了特征核、协方差核及它们联系的性质及应用,着重探讨了特征核在测度空间无限维中的效果、特征核存在条件以及在一些天气学领域的预测中的应用。
- Uber 时间序列的深度与可信预测
本文提出了一种新颖的端到端的贝叶斯深度模型,用于提供时间序列预测和不确定性估计,并成功地应用于 Uber 的大规模时间序列异常检测。
- 快速校准的加性分位数回归
该研究提出了一种新的框架,用于拟合添加量分位回归模型,提供关于条件分位数的精确推断和平滑参数的快速自动估计,适用于多样化的模型结构,同时保持数值效率和稳定性。
- 深度自回归循环网络的概率预测
该论文提出 DeepAR 方法,通过基于大量相关时间序列训练自回归循环网络模型,实现准确的概率预测,并在多个真实预测数据集上展示了与现有方法相比约 15%的准确度提升。
- 动态网络模型的预测
本文提出了一种概率预测方法,通过信念网模型和经典时间序列分析的结合来构建、完善和进行推断,并扩展了静态信念网络模型以建立更普遍的动态预测模型,通过集成和反复优化同时和时滞的依赖关系,我们讨论了用于预测日本汽车销售的模型中的关键概念。