Time-Series Forecasting Methods: A Review
摘要：时间序列预测技术对于通过分析过去趋势来预测未来值至关重要。这些技术假设未来趋势将与历史趋势相似。预测涉及使用基于历史数据的模型来预测未来值。时间序列模型具有广泛的应用，从天气预报到销售预测，并且是最有效的预测方法之一，尤其是在做出涉及未来不确定性的决策时。为了评估预测准确性并比较适合时间序列的模型，本研究使用了三个性能指标：平均绝对误差 (MAE)、均方误差 (MSE) 和均方根误差 (RMSE)。
USACE developing multifaceted approach to environmental forecasting
气候变化和环境问题是全国讨论的焦点。公共和私营部门的研究人员正在寻求解决世界上一些最紧迫的环境挑战。
传统的预测方法通常依赖于统计建模，但Chronos将时间序列数据视为要建模的语言，并使用预训练的FM来生成预测，类似于大型语言模型（LLMS）的生成文本。与传统方法相比，计时可帮助您更快地实现准确的预测，从而大大减少开发时间。在这篇文章中，我们分享了Deutsche Bahn如何使用Chronos模型重新定义预测，并提供了一个示例用例，以说明如何使用Chronos开始使用。
The state of the short leading indicators: why there’s no “recession watch” - yet
- 在周末，新政的民主党人在我的高频“每周指标”帖子中，我写道，在过去的一个月中，大部分短期指标的大部分已经从积极变为负面。当然，哪个提出了一个问题，我应该去经济衰退吗？为了帮助解决这个问题，我看了整个简短的领先指标，包括每月只出现一次的指标。为了削减追逐，反应的指标是财务和利率敏感的指标。首先，让我简要更新已移动的一些高频指标，从“快速而肮脏”的预测方法开始，包括股票价格和失业者的主张：上周上周几天后，股票已经反弹。出于我的目的，正式是一个中性的指标，因为它们在2月下旬才有历史最高。只有当他们在下个月未能超过这么高的情况下，他们才会使他们变负。当供应增加时（如2023年所做的那样），或者需要
気候変動:アクチュアリースキルの活用－「プラネタリー・ソルベンシー」の枠組みに根差したリスク管理とは?
■摘要：解决气候变化问题正在世界各地进行。前瞻性气候变化通常涉及设置多个气候场景并进行比较和分析。 2024年，英国精算师协会（IFOA）与埃克塞特大学（University of Exeter）关于精算师的气候变化预测方法发表了一份报告。根据这份报告，我们将研究精算师在做出气候变化预测时如何利用他们的技能。 ■目录1 intruction 2在保险和退休金系统之间的风险管理1 |相似之处缓解气候变化3 |开发一个“行星偿付能力”框架，并以生态系统服务为4-结论（个人意见）气候变化问题正在解决世界各地。全球变暖的影响越来越明显，包括飓风，大雨，海平面上升，野火和干旱。这些效果中的许多效果持续很
Dr. Rich Sonnenblick, Chief Data Scientist, Planview – Interview Series
Planview 首席数据科学家 Rich Sonnenblick 博士拥有多年与全球一些最大的制药和生命科学公司合作的经验。通过深入研究和应用，他成功地制定了富有洞察力的优先级排序和投资组合审查流程、评分系统以及财务估值和预测方法，以增强产品预测和 […]Planview 首席数据科学家 Rich Sonnenblick 博士 - 访谈系列文章首次出现在 Unite.AI 上。
Neural Network (MLP) for Time Series Forecasting in Practice
特征工程和构建 MLP 模型的实用示例简介时间序列，更具体地说是时间序列预测，是专业人士和商业用户中非常著名的数据科学问题。存在几种预测方法，为了理解和更好的概述，可以将其归类为统计或机器学习方法，但事实上，对预测的需求如此之高，以至于可用的选项非常丰富。机器学习方法被认为是时间序列预测中最先进的方法，并且越来越受欢迎，因为它们能够捕捉数据中复杂的非线性关系，并且通常可以提高预测的准确性 [1]。一个流行的机器学习领域是神经网络领域。具体来说，对于时间序列分析，循环神经网络已被开发并应用于解决预测问题 [2]。数据科学爱好者可能会发现此类模型背后的复杂性令人生畏，作为你们中的一员，我可以说我也
Neural Network (MLP) for Time Series Forecasting in Practice | by Daniel J. TOTH | Jul, 2024
时间序列，更具体地说是时间序列预测，是专业人士和商业用户中非常熟悉的数据科学问题。存在几种预测方法，为了便于理解和更好地概述，可以将其归类为统计或机器学习方法，但事实上，对预测的需求如此之高，Daniel J. TOTH 于 2024 年 7 月发表的《神经网络 (MLP) 在时间序列预测中的应用》一文首次出现在 AI Quantum Intelligence 上。
IEEE Transactions on Fuzzy Systems, Volume 32, Issue 6, June 2024
1) 以人为本的模糊最佳最差群体决策过程综述作者：Yanlin Li, Yung Po Tsang, Carman Ka Man Lee, Zhen-Song Chen页数：3302 - 33182) 具有停留时间的互联切换非线性系统的自适应模糊最优控制作者：Licheng Zheng, Junhe Liu, C. L. Philip Chen, Yun Zhang, Ci Chen, Zongze Wu, Zhi Liu页数：3319 - 33283) 分层演化模糊系统：一种多维混沌时间序列在线预测方法作者：Lei Hu, Xinghan Xu, Weijie Ren, Min Han页数：
Deep Recurrent Neural Nets with Long Short Term Memory
再次。LTSM 可能正在成为循环 NN 建模中的大问题。我之前写过博客（例如这里），但我仍然不太了解它。有人了解吗？也许它只是一种避免消失梯度问题的手段（并不是说这并不重要）；也许它更重要。这篇新论文写得很好，突出介绍了 LSTM。DONUT 集成组合预测方法作者：Lars Lien Ankile；Kjartan Krange摘要：本文提出了一种集成预测方法，通过减少特征和模型选择假设，在 M4Competition 数据集上显示出强劲的结果，称为 DONUT（不使用人类假设）。我们的假设减少主要由自动生成的特征和更多样化的集成模型池组成，其表现明显优于 Montero-Manso 等人（20
2016: a bad year for predictions
说到黑天鹅，2016 年可谓是黑天鹅满天飞！从选举到市场，从黑客攻击到恐怖袭击，一个接一个的意外事件接踵而至。每件事都以自己的方式令人震惊。尤其是在体育和政治领域。葡萄牙赢得欧洲足球锦标赛、莱斯特赢得英超联赛、英国在奥运会奖牌榜上排名第二、芝加哥小熊队赢得世界职业棒球大赛，这些事件都和英国脱欧或特朗普一样重要。毋庸置疑，黑天鹅之年对于预测者来说是糟糕的一年。即使是“行业”中最大的公司也未能预测出今年最大的颠覆性事件：英国脱欧和特朗普。我的公司不是。我们对特朗普的预测非常准确。提醒一下我的读者，我们预测了 47 个州，包括宾夕法尼亚州、佛罗里达州、北卡罗来纳州和俄亥俄州等最重要的摇摆州，预测特朗
