PulseAugur
中
实时 17:56:48
English(EN) Time-Aware Prior Fitted Networks for Zero-Shot Forecasting with Exogenous Variables

新的ApolloPFN模型改进了带外生变量的时间序列预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了ApolloPFN，这是一种新颖的时间感知先验拟合网络，旨在通过整合外生变量来改进零样本预测。与仅依赖历史时间序列数据的现有基础模型不同，ApolloPFN整合了促销、价格或温度等外部因素以提高准确性。该系统具有用于生成真实时间模式的合成数据生成框架和利用时间上下文的架构修改，在包括M5和太阳能数据集在内的基准测试中表现优于当前基线。 AI

影响 通过整合外部因素提高了预测准确性，可能改进零售、能源和交通预测等应用。

排序理由 这是一篇详细介绍时间序列预测新模型的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的ApolloPFN模型改进了带外生变量的时间序列预测

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Andres Potapczynski, Ravi Kiran Selvam, Tatiana Konstantinova, Malcolm Wolff, Kin G. Olivares, Ruijun Ma, Michael W. Mahoney, Andrew Gordon Wilson, Boris N. Oreshkin, Dmitry Efimov ·

    面向含外生变量的零样本预测的时间感知先验拟合网络

    arXiv:2603.15802v2 Announce Type: replace Abstract: In many time series forecasting settings, the target time series is accompanied by exogenous covariates, such as promotions and prices in retail demand; temperature in energy load; calendar and holiday indicators for traffic or …

相关实体

相关话题