Time Series Isn’t Enough: How Graph Neural Networks Change Demand Forecasting
为什么将 SKU 建模为网络揭示了传统预测所遗漏的内容《时间序列不够：图神经网络如何改变需求预测》首先出现在《走向数据科学》上。
Retrieval for Time-Series: How Looking Back Improves Forecasts
为什么检索有助于时间序列预测 我们都知道它是怎么回事：时间序列数据很棘手。传统的预测模型对突然的市场崩盘、黑天鹅事件或罕见的天气模式等事件没有做好准备。即使像 Chronos 这样的大型花哨模型有时也会遇到困难，因为它们以前没有处理过这种模式。我们可以[…]帖子检索时间序列：如何回顾改进预测首先出现在走向数据科学上。
EDA in Public (Part 2): Product Deep Dive & Time-Series Analysis in Pandas
了解如何分析产品性能、提取时间序列特征以及揭示销售数据中的关键季节性趋势。公共 EDA 帖子（第 2 部分）：Pandas 中的产品深度探究和时间序列分析首先出现在 Towards Data Science 上。
A Practical Toolkit for Time Series Anomaly Detection, Using Python
以下是如何检测每个序列中的点异常，并识别整个银行的异常信号使用 Python 进行时间序列异常检测的实用工具包一文首先出现在走向数据科学上。
Google Trends is Misleading You: How to Do Machine Learning with Google Trends Data
Google Trends 是用于大规模分析人类行为的最广泛使用的工具之一。记者使用它。数据科学家使用它。整篇论文都是建立在它的基础上的。但 Google 趋势数据有一个基本属性，使其很容易被滥用，特别是当您正在处理时间序列或尝试构建模型时，而大多数人从未意识到他们正在这样做。Google 趋势误导了您：如何使用 Google 趋势数据进行机器学习一文首先出现在《走向数据科学》上。
MoEs Are Stronger than You Think: Hyper-Parallel Inference Scaling with RoE
大型语言模型 (LLM) 的生成质量通常可以通过利用推理时间序列级缩放方法（例如思想链）来提高。我们引入了超并行扩展，这是一种补充框架，可以提高令牌级别的预测质量。超并行扩展计算并聚合模型中单个令牌的多个输出建议。我们在专家混合 (MoE) 模型中实现这一概念，我们将其称为专家名册 (RoE)。 RoE 是一种免训练推理算法，可将单个 MoE 转变为 MoE 的动态集合。投资回报率...
