Arima
PulseAugur coverage of Arima — every cluster mentioning Arima across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的基准和组合策略推动 ICU 时间序列预测
研究人员开发了一个名为 SLICES 的新基准框架,用于标准化稀疏 ICU 时间序列数据的自监督学习方法的评估。该框架利用 Transformer 编码器和跨 MIMIC-IV 和 eICU-CRD 等多个数据集的固定输入配置。初步结果表明,掩码自编码 (MAE) 在各种分类任务中表现强劲,通常优于监督方法,尽管 GRU-D 和 XGBoost 等传统模型在特定终点上仍具竞争力。另一项研究探讨了稀疏 ICU 时间序列的每变量预测组合策…
-
新框架使用LSTM进行精细化建筑材料价格预测
一篇新研究论文介绍了一个精细化的建筑材料价格预测框架,该框架利用了建筑规范协会(CSI)的MasterFormat结构。该框架整合了商品指数和宏观经济指标等解释变量,以提高预测准确性。在评估的模型中,长短期记忆(LSTM)网络表现出最高的性能,与传统统计方法相比,显著降低了误差。
-
MetaARIMA将迁移学习引入ARIMA时间序列预测
研究人员开发了MetaARIMA,这是一种将迁移学习应用于ARIMA模型配置以进行时间序列预测的新颖方法。与独立训练每个序列的传统方法不同,MetaARIMA从过去的实验中学习,为新数据集推荐有前景的ARIMA配置。该方法旨在通过利用不同预测任务之间的知识来提高效率和性能。实验表明,MetaARIMA的性能优于AutoARIMA,并且在数据效率方面与Chronos2和TimesFM等近期基础模型相比仍具竞争力。
-
MetaARIMA将迁移学习引入经典时间序列预测
研究人员开发了MetaARIMA,这是一种将迁移学习应用于经典ARIMA时间序列预测模型的新方法。与以往为每个序列独立配置模型的方法不同,MetaARIMA利用元学习从历史实验中学习哪些ARIMA配置能产生最佳结果。然后,该策略会为新的时间序列推荐有希望的候选模型,同时保持可解释性和局部估计。实验表明,MetaARIMA的性能优于AutoARIMA,并且在数据效率方面与Chronos2和TimesFM等近期基础模型具有竞争力。
-
Mistral AI 发布 Timestral 时间序列模型,性能超越 Google
Mistral AI 推出了 Timestral,一个包含四种时间序列基础模型的新系列,其中最大的模型拥有 2.09 亿个参数。这些模型在 GIFT-Eval、TIME 和 fev-bench 等关键基准测试中取得了最先进的性能,超越了包括 Google 的 TimesFM-3 在内的更大模型。值得注意的是,Timestral 模型设计为可在标准 CPU 上高效运行,无需 GPU,在准确性和可访问性之间取得了平衡,并为开发者提供了开放权重。
-
深度学习模型在二手电子产品价格预测中优于统计方法
一项新的基准研究系统性地比较了深度学习模型和统计模型在预测二手电子产品转售价格方面的表现。研究人员发现,N-BEATS深度学习架构显著优于经典的统计方法,在365天的预测周期内,平均绝对百分比误差(MAPE)降低了43%。值得注意的是,一个为最长预测周期训练的N-BEATS模型能够有效地泛化到较短的预测周期,表明其鲁棒性和稳定性。
-
研究质疑混合人工智能模型在金融预测中的有效性
一篇题为“信号简化并非预测简化:诊断短期波动中的残差神经网络预测”的新研究论文,探讨了混合统计-神经网络模型在金融预测中的有效性。研究发现,虽然统计第一阶段可以简化残差目标,但这种简化并不一定会提高下游神经网络(如LSTM)的性能。事实上,与单独使用纯LSTM模型或统计模型相比,混合方法有时会导致更高的均方误差和更长的运行时间。该论文引入了“预测器-预处理器不对称”的概念来描述这种现象,表明成功的统计预测并不自动转化为有用的神经网络预处理。
-
LLM 生成合成制造业数据,性能优于传统方法
研究人员开发了一种使用大型语言模型 (LLM) 为制造过程生成合成时间序列数据的新方法。该方法解决了制造业中标记数据有限的常见挑战,而这通常会阻碍有效机器学习模型的创建。通过微调 LLM 并采用检索增强生成 (RAG),该框架旨在捕捉复杂的时间依赖性并生成逼真的数据。与 ARIMA 和 LSTM 等传统方法相比,包括 PCA 分析和异常检测任务在内的评估表明,LLM 驱动的框架生成的数据质量更高,并提高了下游性能。
-
时间序列分析与预测系列探讨模型与应用
本系列共三部分,深入探讨时间序列分析与预测,涵盖基础知识、使用Pandas进行数据准备以及各种预测模型。第三部分侧重于建模,探索ARIMA、SARIMA、ETS、Prophet、NPTS和Transformers等技术。它还详细介绍了评估指标、概率预测,并使用Google股价和模拟序列等数据集,提供了ARIMA、Time Series Transformer和LSTM等模型的代码演练。该系列强调实际应用,包括电子商务收入预测和警报器分类。
-
开源管道实现加密货币数据分析和欺诈检测
一个新的开源管道已被开发出来,用于处理加密货币市场数据,能够在通用硬件上实现数据摄取、预测和欺诈检测。该系统利用 Apache Kafka 和 Apache Spark 来复制云原生、事件驱动的功能。该管道使用历史 Gemini 交易所数据进行了测试,比较了用于比特币价格预测的 ARIMA 和 LSTM 模型,以及用于以太坊欺诈检测的 Random Forest 和 Gradient Boosting 分类器。
-
人工智能框架通过实时队列预测增强边境管控
研究人员开发了一种新颖的多模态人工智能框架,旨在通过实时队列预测和管理来增强边境控制系统。该框架整合了多样化的数据源,利用长短期记忆(LSTM)网络进行准确的队列预测。它进一步采用模型预测控制(MPC)和优化技术,为边境管制官员生成可操作的策略。使用模拟数据进行的评估表明,与传统的ARIMA和基于规则的方法相比,预测误差降低了35%,平均等待时间减少了30%,平均吞吐量增加了近20%。
-
新的MLAMA方法提高了公共卫生预测的准确性
研究人员开发了一种名为机器学习与ARIMA模型平均(MLAMA)的新方法,以提高公共卫生预测的准确性。该方法将统计ARIMA模型与随机森林和XGBoost等机器学习模型相结合。通过对2020年至2023年安大略省COVID-19病例数据的比较评估,MLAMA在各种预测范围和响应能力设置下均实现了最低的归一化平均绝对百分比误差,表现出卓越的性能。研究表明,最佳预测模型取决于特定的操作条件,而MLAMA为整合各种预测技术提供了一个实用的框架。
-
AI模型利用汽车数据预测悉尼高风险驾驶热点
一篇新的研究论文探讨了如何利用联网汽车数据主动识别和预测澳大利亚大悉尼地区高风险驾驶热点。该研究通过硬刹车、急加速和转弯的阈值来量化危险驾驶行为,并创建时空热力图来 pinpoint 高风险区域。研究人员对八种预测模型进行了基准测试,发现 ARIMA 等传统时间序列方法在数据量有限的情况下,其表现与 LSTM 等深度学习模型相当。研究结果表明,基于物联网的汽车数据可以支持有针对性的道路安全干预措施,其中悉尼中央商务区、帕拉玛塔和班克斯…
-
混合机器学习框架预测放牧系统中的牛增重
研究人员开发了一个混合机器学习框架,用于预测放牧系统中的牛增重和生长模式。该框架整合了各种传感数据,包括活重、人口统计学和环境因素,以预测牛群水平的轨迹。结合梯度提升、随机森林和神经网络的级联架构表现出卓越的性能,R^2 达到 0.889,并且优于传统的循环模型,尤其是在数据稀疏的情况下。
-
量子物理方法增强经典时间序列分析
研究人员开发了QARIMA,一个将量子物理原理应用于经典时间序列分析的新框架。该方法将核心ARIMA建模组件重构为量子兼容模块,包括量子差分、量子自相关函数(QACF)以及基于状态相似性的AR和MA系数估计。在各种数据集上进行评估,QARIMA与经典ARIMA基线相比,在预测性能上表现出竞争力,有时甚至更优,同时保持了原始方法的可解释性和模块化。
-
LLM代理通过可审计、上下文感知的预测增强手足口病预测
一篇新研究论文介绍了一个双代理神经符号框架,旨在实现对手足口病(HFMD)更具可审计性和上下文感知的预测。该系统集成了基于LLM的事件解释器,用于处理学校日程和政府报告等各种信号,生成传播影响信号。然后,该信号被预测生成器使用,该生成器将其与历史数据相结合,以产生概率预测和简洁的理由,在准确性和可解释性方面优于传统模型和基础模型。
-
新的ARDL模型将公平性融入零售定价策略
研究人员开发了一种新的零售动态定价方法,该方法包含公平性约束,以平衡盈利能力和消费者福利。该方法使用对数-对数自回归分布滞后(ARDL)模型来预测零售销售,并通过优化定价决策来最大化销售,同时遵守与消费者价格指数(CPI)挂钩的价格上限。该框架旨在通过确保价格不超过以CPI为锚定的上限来防止消费者被剥削,并使用模拟退火来寻找能够降低消费者成本但仍能实现销售目标的保守价格。研究还对预测准确性与ARIMA和SARIMA等传统模型进行了基准…
-
研究发现结构性先验会阻碍 SciML 模型进行预测
一篇新发表在 arXiv 上的研究论文,调查了科学机器学习 (SciML) 方法中结构性先验的有效性,特别是在这些先验与底层数据生成过程不匹配时。该研究在宏观经济预测领域评估了五种模型家族,包括神经常微分方程 (NODEs)、物理信息神经网络 (PINNs) 和通用微分方程 (UDEs)。研究结果表明,像 ARIMA 和 NODEs 这样约束较少的模型通常优于像 PINNs 和 UDEs 这样约束较多的模型,这表明当结构性先验与数据不…
-
时间序列预测的基础模型:盈亏平衡分析揭示何时能带来回报
一项对时间序列预测基础模型的新分析表明,部署它们并非总是合理的。该研究将 Chronos、Moirai 和 Lag-Llama 等模型与 XGBoost 等传统方法在 30 个基准数据集上进行了比较。虽然基础模型在 15 个数据集上无条件地优于经典方法,但在其他数据集上,经典方法仅使用 2% 的训练数据就表现更优。研究还发现,LoRA 微调有时会降低在较短时间序列上的性能。
-
机器学习框架预测进口隔离市场农业价格波动
研究人员开发了一个机器学习框架,用于预测进口隔离市场(特别是斯里兰卡)的农业价格波动。该研究利用了结合零售价和农户价与天气、燃料成本和汇率的综合数据集。一个结合了XGBoost和LightGBM并使用Optuna优化的集成模型,在恶性通货膨胀期间也表现出强大的预测准确性,表明供应链动态可以被有意义地预测。