PulseAugur
中
实时 11:43:25
English(EN) Neural CDEs as Correctors for Learned Time Series Models

新框架提高时间序列预测准确性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新的预测-校正框架，以提高学习时间序列模型的准确性。该框架利用神经常微分方程作为校正器，以减轻预测器模型生成的未来多步预测中的误差累积。该校正器旨在处理不规则采样的数据，并与各种预测器类型兼容，包括神经ODE和ContiFormer。在合成、基于物理和真实世界数据集上的实验表明，预测性能得到了一致的提高，突显了该框架的预测器无关的实用性。 AI

影响 引入了一个新颖的框架来提高AI驱动的时间序列预测的准确性，可能使科学建模和预测领域的应用受益。

排序理由 详细介绍时间序列建模新框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

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

新框架提高时间序列预测准确性

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Muhammad Bilal Shahid, Zhanhong Jiang, Prajwal Koirala, Soumik Sarkar, Cody Fleming ·

    Neural CDEs as Correctors for Learned Time Series Models

    arXiv:2512.12116v3 Announce Type: replace-cross Abstract: Learned time-series models, whether continuous or discrete, are widely used for forecasting the states of dynamical systems but suffer from error accumulation in multi-step forecasts. To address this issue, we propose a Pr…

相关话题