時間序列預測

登入

洞見 - 時間序列預測

與模型大小相比，資料集異質性和模型架構對商業建築能源消耗預測準確性的影響更大；此外，與從頭開始訓練的基礎模型相比，經過微調的基礎模型展現出具有競爭力的效能。

本文提出了一種基於動態函數主成分分析和加權方法的非平穩函數時間序列預測方法，並將其應用於瑞典年齡別死亡率的預測，證明該方法能有效提升預測準確度，尤其適用於波動性較高的男性死亡率序列。

基於分解的時間序列預測方法通常僅依賴於整體損失函數，這可能導致對關鍵子序列的學習不足。混合損失框架通過結合全局和組件損失來解決這個問題，從而提高整體預測準確性。

本文提出了一種將知識圖譜嵌入到 Transformer 架構中以改進多變量長序列時間序列預測的新方法，並通過實驗證明了該方法在基準數據集上的有效性。

FlowScope 結合了傳統統計模型（ARIMA、SARIMA、ETS）和深度學習模型（LSTM）的優勢，創建了一個強大的混合預測框架，用於提高時間序列數據（例如線上流量）預測的準確性。

本文提出了一種名為 tDLGM 的新型概率生成模型，用於時間序列數據預測，該模型結合了深度潛在高斯模型 (DLGM) 和循環神經網絡 (RNN) 的優點，並通過交錯狀態和潛在變量以及新穎的狀態識別模型來實現對數據錯誤的魯棒性。

本文提出了兩種新的 DCC-GARCH 殘差處理方法，並通過預測外匯匯率的實證研究，證明了這些方法相較於傳統方法在樣本外似然性方面的優越性。

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。

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。

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。

關於我們

產品

資源