★ 2
SGA：时间序列基础模型多步预测的不确定性量化
针对时间序列基础模型（TSFM）多步预测中固有的不确定性，论文提出 Slicing-Graphing-Alignment（SGA）方法。该方法用有向无环图刻画所有潜在预测分支的拓扑结构，并以图复杂度界定多步预测的不确定性。在 11 个 TSFM 与 27 个数据集上的实验显示，SGA 在误差排序上…
arXiv cs.LG38 天前
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
针对时间序列基础模型（TSFM）多步预测中固有的不确定性，论文提出 Slicing-Graphing-Alignment（SGA）方法。该方法用有向无环图刻画所有潜在预测分支的拓扑结构，并以图复杂度界定多步预测的不确定性。在 11 个 TSFM 与 27 个数据集上的实验显示，SGA 在误差排序上…
论文提出自适应分解网络 ADNet，将交通动态自适应解耦为主导与残差分量。它引入可学习的互补谱分解机制，让每个频段以不同比例贡献两个分量，并与预测目标联合优化。在 TraffiDent 数据集上，ADNet 在 24 项区域-视野-指标对比中 20 项取得最佳，长预测视野增益尤为明显。