基于深度格网络的非参数累积分布函数多步时间序列预测
机器学习
2025-11-19 v1 人工智能
摘要
概率预测不仅是为未来预测增添更多信息的一种方式，它也建立在点预测的弱点之上。时间序列中的突变仍可被累积分布函数（CDF）捕捉，而点预测则很可能完全错过它。在预测中对 CDF 的建模历来局限于参数化方法，但由于近期的进展，这种情况已不再必然。我们旨在通过将概率预测与单调网络领域连接起来，以推进这两个领域的发展，并提出一种允许对隐式、完整且非参数的 CDF 进行预测的方法。为此，我们提出对深度格网络（DLN）进行改进，用于时间序列预测中单调约束的同步/隐式分位数回归。分位数回归通常会产生分位数交叉，需要防止这种情况以获得合法的 CDF。通过利用长短期记忆单元（LSTM）作为嵌入层，并将分位数输入扩展到具有扩展输出大小的 DLN 的所有子格，由于 DLN 的单调约束能力可以防止分位数交叉，我们能够生成隐式 CDF 的多步预测。我们在一个高度相关的时间序列预测应用——太阳辐照度观测的日前小时级预测——背景下，将我们方法的性能与相关的最新技术进行了比较和评估。我们的实验表明，改进后的 DLN 表现与无约束方法一样好，甚至更好。将改进后的 DLN 与可扩展的单调神经网络进一步比较表明，我们的方法表现更优。通过对 DLN 的这项改进，我们旨在激发对单调神经网络和概率预测技术的更多兴趣和交叉研究。
引用
@article{arxiv.2511.13756,
title = {Multi-Horizon Time Series Forecasting of non-parametric CDFs with Deep Lattice Networks},
author = {Niklas Erdmann and Lars Bentsen and Roy Stenbro and Heine Nygard Riise and Narada Dilp Warakagoda and Paal E. Engelstad},
journal= {arXiv preprint arXiv:2511.13756},
year = {2025}
}