注册
登录
专栏名称:
数据派THU
本订阅号是“THU数据派”的姊妹账号,致力于传播大数据价值、培养数据思维。
我也要提交微信公众号
今天看啥
微信公众号rss订阅, 微信rss, 稳定的RSS源
微信公众号RSS订阅方法
B站投稿RSS订阅方法
雪球动态RSS订阅方法
微博RSS订阅方法
微博搜索关键词订阅方法
豆瓣日记 RSS订阅方法
目录
相关文章推荐
大数据文摘
·
Ilya新公司官宣融资10亿美元!只有10名 ...
·
2 天前
数据派THU
·
泊松自助法(Poisson ...
·
5 天前
观潮新消费
·
105起投融资事件:披露金额近58亿元,机器 ...
·
5 天前
观潮新消费
·
105起投融资事件:披露金额近58亿元,机器 ...
·
5 天前
大数据文摘
·
英伟达业绩亮眼,AI没有寒冬
·
1 周前
今天看啥
›
专栏
›
数据派THU
【KDD2024】大规模层次化工业需求时间序列预测中的稀疏性整合
数据派THU
·
公众号
·
大数据
· 2024-07-21 17:00
文章预览
来源:专知 本文 约1000字 ,建议阅读 5 分钟 我们通过真实世界的需求预测数据集评估了我们方法的可扩展性和有效性。 层次化时间序列预测(HTSF)在许多现实世界的商业应用中是一个重要问题,其目标是同时预测通过层次关系相互关联的多个时间序列。然而,近期的研究未能解决大型企业需求预测应用中通常出现的两个重要挑战。首先,层次结构较低级别的许多时间序列具有高度稀疏性,即存在大量零值。大多数HTSF方法没有处理这种层次结构中的稀疏性变化。此外,它们在处理真实世界中通常在文献中未见的大规模层次结构时,扩展性表现不佳。我们通过提出HAILS(层次化自适应稀疏时间序列模型)解决了这两个挑战,这是一种新的概率层次模型,通过自适应地用不同的分布假设建模稀疏和密集的时间序列,并将它们整合以符合层次约束,从而 ………………………………
原文地址:
访问原文地址
快照地址:
访问文章快照
总结与预览地址:
访问总结与预览
分享到微博
推荐文章
大数据文摘
·
Ilya新公司官宣融资10亿美元!只有10名员工,继续坚信scaling law
2 天前
数据派THU
·
泊松自助法(Poisson Bootstrap Sampling):大型数据集上的自助抽样
5 天前
观潮新消费
·
105起投融资事件:披露金额近58亿元,机器人领域火热 | 8月投融资月报
5 天前
观潮新消费
·
105起投融资事件:披露金额近58亿元,机器人领域火热 | 8月投融资月报
5 天前
大数据文摘
·
英伟达业绩亮眼,AI没有寒冬
1 周前