Arima
PulseAugur coverage of Arima — every cluster mentioning Arima across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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。
-
AutoML 框架利用人工智能和 127,000 篇摘要预测无线技术趋势
研究人员开发了一个 AutoML 框架，通过分析科学出版物来预测无线网络和移动计算领域的技术趋势。该系统在超过 127,000 篇摘要上集成了聚类、主题建模和时间序列分析，并使用 SPECTER 模型进行语义嵌入。它采用元学习来选择最优的聚类和主题建模算法，然后进行由 LLM 辅助的主题标记和趋势预测。该框架成功预测了未来主题的流行度，均方根误差为 36.76，并将主题分类为强信号、弱信号或噪声信号。
-
联邦学习框架通过混合模型增强碳排放预测能力
本文介绍了一种新颖的联邦学习框架，旨在实现准确且注重隐私保护的全球碳排放预测。该方法结合了ARIMA和GARCH等统计模型以及LSTM-Attention和XGBoost等神经网络组件。在14个客户端进行的实验证明了其强大的性能，平均R2值为0.73，平均MAPE为6.5%，为协作减缓气候变化提供了可扩展且合规的解决方案。
-
新方法利用深度学习改进电力负荷预测
研究人员开发了一种基于Delta的目标重构方法，用于使用LSTM和Transformer等深度学习模型的短期电力负荷预测。该方法预测时间步长之间的负荷变化，而不是绝对负荷，旨在稳定学习过程。使用来自印度和NASA POWER气象数据进行的实验表明，这种重构显著提高了提前一小时的预测精度，将神经网络的MAPE降低了50%以上，尽管其有效性因模型和预测范围而异。
-
超树框架将梯度提升树与经典预测模型相结合
研究人员推出了一种新颖的时间序列预测框架 Hyper-Trees，该框架将梯度提升树与 ARIMA 等经典预测模型相结合。这种方法将这些经典模型的参数学习为输入特征的函数，从而将时间序列归纳偏差嵌入到基于树的方法中。为了解决扩展限制，Hyper-Trees 采用混合架构，其中决策树生成表示，神经网络利用这些表示来学习预测模型参数。
-
Towards AI 解释了在应用模型之前时间序列分析的基础知识
本指南解释了标准机器学习数据和时间序列数据之间的基本区别，强调观测顺序在时间序列中至关重要。它详细介绍了各种类型的时间序列数据，包括单变量、多变量、规则、不规则、连续和离散，以帮助初学者理解如何在应用模型之前正确准备和分析这些数据。文章强调，跳过这些基础概念会导致模型性能不佳。
-
AI模型预测肿瘤学需求和葡萄园病害风险
两篇新研究论文探讨了用于不同领域的先进时间序列预测方法。一篇论文介绍了一种基于事件的方法，利用环境数据预测葡萄园病害风险，并比较了XGBoost和LSTM等机器学习模型。另一篇论文提出了一个具有Boosting机制的贝叶斯框架来预测肿瘤学需求趋势，在真实世界数据上表现优于ARIMA和LSTM等传统方法。