Prophet
PulseAugur coverage of Prophet — every cluster mentioning Prophet across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
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。
-
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。
-
新的GNN方法提高了多站点污染预测的准确性
研究人员开发了一种使用图神经网络（GNN）的新方法，以提高颗粒物（PM）污染预测的准确性。该方法基于通过混淆矩阵识别的类间关系动态构建图，并采用混合损失函数来增强学习稳定性。所提出的GNN模型，特别是GraphSage，在预测PM1、PM10和PM2.5浓度方面表现优于传统的机器学习和深度学习技术。该研究还纳入了GNNExplainer和PGExplainer等可解释性工具，以确保模型的透明度。
-
TimeCopilot 教程展示了使用 Foundation Models 的端到端预测
本教程演示了如何使用 TimeCopilot 构建端到端的预测管道，TimeCopilot 是一个集成了各种预测模型的工具。该过程包括准备一个包含真实航空公司乘客数据和包含异常值的合成序列的数据集。然后，它评估了一系列统计模型，包括 Prophet 和 Chronos，以及可选的基于 GPU 的模型，如 TimesFM，以确定最佳性能模型。工作流程包括生成概率预测、可视化趋势、检测异常观测值以及利用 LLM 代理进行模型选择和解释。
-
新框架提炼基础模型用于专业时间序列预测
研究人员开发了一个名为 Guard 的新颖框架，用于将大型通用基础模型（FM）的知识提炼成轻量级、专业的时序预测器。该方法解决了 FM 在科学领域应用面临的挑战，这些领域中分布不匹配和高计算成本是重大障碍。Guard 使用实例级决策过程和上下文路由器来选择最相关的教师 FM，并使用不确定性门控温度机制来控制提炼强度，从而实现适合资源受限边缘部署的高精度预测。此外，一个教程演示了如何使用 TimeCopilot 构建端到端的预测管道，该…
-
Zillow 90亿美元的教训解释了时间序列预测
这篇文章解释了时间序列预测，这是数据分析中一个至关重要但又常常很复杂的部分。它以 Zillow 在 iBuying 业务上的惨痛失败为例，说明了那些未能考虑不断变化的现实世界状况的模型所带来的危险。文章分解了时间序列数据的核心组成部分——趋势和季节性——以揭开这个过程的神秘面纱。
-
Prophet 推出由 AI 驱动的预测市场，首期交易额达 10,000 美元
Prophet 推出了一个由 AI 驱动的预测市场，其首期交易额为 10,000 美元。该平台旨在利用人工智能进行市场预测。初始交易阶段旨在测试和展示系统的能力。
-
GitHub 6天宕机事件动摇治理、正常运行时间、安全性和成本
一位开发者分享了使用FastAPI、Prophet和React构建和发布销售预测Web应用程序的经验。另外，另一篇文章讨论了GitHub在六天内面临的与治理、正常运行时间、安全性和成本相关的挑战。