基於檢索增強的時間序列預測：利用歷史模式提升預測準確性
本文提出了一種名為檢索增強預測（RAF）的框架，透過檢索和利用歷史時間序列數據中的相似模式來提高時間序列預測的準確性，特別是在零樣本預測和針對特定數據集進行微調的情況下。
增強因子稀疏 MIDAS 回歸及其在當期預測中的應用
本文提出了一種名為增強因子稀疏 MIDAS 回歸的新方法，用於處理高維度混合頻率時間序列數據，並將其應用於美國 GDP 增長的當期預測，特別是在經濟不穩定時期（如 COVID-19 疫情期間）展現出優於其他方法的準確性。
ODEStream：一種基於 ODE 的無緩衝線上學習框架，適用於串流時間序列預測
本文提出了一種名為 ODEStream 的新型無緩衝線上學習框架，用於串流時間序列預測，該框架採用神經常微分方程式 (ODE) 來適應資料分佈的變化，並透過持續學習和時間隔離層來有效處理時間依賴性和變化，從而實現準確的預測。
利用大型語言模型預測資產價格飆升：BreakGPT 模型
BreakGPT 模型結合大型語言模型和 Transformer 模型的優勢，可以有效預測加密貨幣市場的價格飆升。
幾分鐘內實現全自動相關時間序列預測
本文提出了一種名為 FACTS 的全自動時間序列預測框架，該框架能夠在幾分鐘內高效準確地預測相關時間序列的未來值。
時間序列預測的全面綜述：架構多樣性與開放性挑戰
時間序列預測（TSF）正經歷著模型架構多元化的復興，從傳統統計方法和機器學習到深度學習（如 MLP、CNN、RNN、GNN 和 Transformer），以及更新的混合模型、擴散模型、Mamba 模型和基礎模型，展現出不斷演進的趨勢，同時也面臨著通道依賴性、分佈偏移、因果關係和特徵提取等開放性挑戰。
現時預測分佈：一個函數式 MIDAS 模型
該研究提出了一種函數式 MIDAS 模型，利用高頻資訊來預測和現時預測低頻觀察到的分佈，並將其應用於預測美國家庭收入分佈，發現該模型提高了整個目標分佈和顯示不平等變化的關鍵特徵的預測準確性。
EffiCANet：基於卷積注意力機制的時間序列預測高效模型
EffiCANet 是一種基於卷積注意力機制的新型時間序列預測模型，它能有效捕捉長期依賴關係和變數間的動態交互作用，在保證預測準確性的同時提高計算效率。
基於串聯擴散橋樑模型的時間序列預測
本文提出了一種基於串聯擴散橋樑模型（S2DBM）的新型時間序列預測方法，該方法利用布朗橋過程來減少擴散估計中的隨機性，並通過結合歷史時間序列數據中的先驗信息和條件來提高預測準確性。
基於擴散卷積門控循環單元模型的行人流量預測
本研究提出了一種結合動態時間規整的擴散卷積門控循環單元（DCGRU-DTW）模型，用於城市範圍內行人流量的預測，並證明其在預測準確性方面優於傳統統計模型和未考慮時間序列相似性的深度學習模型。
© 2024 by Linnk AI