新的DNN方法量化时间序列预测不确定性

研究人员开发了一种使用标准ReLU深度神经网络（DNN）预测时间序列并量化这些预测相关不确定性的新方法。该方法通过构建相关的预测区间（PPI）来解决未来变异性和训练数据估计变异性问题。该研究探讨了DNN估计器与beta-mixing相关数据的相容性，并证明了前向bootstrap序列保持了beta-mixing特性和原始时间序列的平稳分布，这对于实现PPI至关重要。所提出的方法通过模拟和真实数据分析进行了验证，并与标准的非参数方法进行了性能比较。 AI

影响 引入了一种使用DNN进行时间序列预测不确定性量化的新方法，有望提高科学和金融预测的可靠性。

排序理由 该集群包含一篇学术论文，详细介绍了使用深度神经网络进行时间序列预测的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• alphaXiv
• arXiv
• beta-mixing
• CatalyzeX Code Finder for Papers
• CORE Recommender
• DagsHub
• deep neural network
• forward bootstrap
• Gotit.pub
• Hugging Face
• Influence Flower
• Relu Deep Neural Networks and Linear Finite Elements
• ScienceCast

• 论文
• 模型发布

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