ProbRes: Aprendizaje de volatilidad para pronósticos probabilísticos
Descubre ProbRes: aprende volatilidad para pronósticos probabilísticos precisos en series temporales financieras. Mejora calibración de intervalos.
#series temporales
Identificabilidad en Modelos de Markov con Efectos Instantáneos
Descubre cómo identificar regímenes latentes y estructuras causales en series temporales no estacionarias con modelos de Markov y efectos instantáneos.
Descubrimiento de Componentes Independientes en Datos de Conteo Temporal
Un nuevo modelo generativo identifica componentes independientes en datos de conteo temporal con cambios de régimen. Aplicaciones en microbioma y clima.
Selección Adaptativa de Ventanas para la Predicción de Riesgos Financieros
Aprende sobre BAWS: un algoritmo adaptativo que elige la ventana de datos ideal para pronosticar riesgos financieros como VaR y ES, superando métodos tradicionales.
Precisión y diversidad: enfoque multi-tarea para combinar pronósticos
Descubre cómo un enfoque multi-tarea optimiza precisión y diversidad al combinar modelos de pronóstico mediante deep learning. Resultados superiores en M4 y tráfico real.
Codificación Byte Pair para Pronóstico Eficiente de Series Temporales
Mejora un 40% el pronóstico de series temporales y acelera el rendimiento un 2314% con tokenización Byte Pair. Decodificación condicional sin coste.
Optimización Adaptativa Humana para Pronósticos de Series Temporales
Optimiza pronósticos de series temporales con correcciones adaptativas y humanos en el bucle. Mejora precisión sin reentrenar, usando IA.
VMDNet: Predicción de demanda eléctrica sin fuga temporal
Mejora la precisión en predicción de demanda eléctrica con VMDNet, evitando fuga temporal mediante descomposición variacional y TCN.
Benchmarking actual frena el progreso en deep learning para series temporales
Descubre por qué los benchmarks actuales frenan el avance real en deep learning para series temporales y cómo una tarjeta de modelo puede cambiarlo.
Reconstrucción de estados con kernel informado por conocimiento
MAAT utiliza conocimiento previo y kernels para reconstruir estados de sistemas dinámicos desde observaciones parciales, reduciendo errores de trayectoria y derivadas.
La interpretabilidad en modelos de series temporales profundos exige alineación semántica
Descubre cómo la alineación semántica revoluciona la interpretabilidad en modelos de series temporales profundos, mejorando la confianza y la toma de decisiones.
Vulnerabilidades en explicaciones para clasificadores de series temporales
Descubre cómo un ataque dual manipula predicciones y explicaciones en clasificadores de series temporales, desafiando la confianza en la estabilidad explicativa.
Redes Echo State en series temporales: ajuste de hiperparámetros y comparación
Descubre cómo las ESN se comparan con ARIMA y ETS en pronóstico de series temporales. Análisis de hiperparámetros y benchmark M4.
SEMixer: Mezclador MLP semántico para pronóstico a largo plazo
Descubre SEMixer, un modelo ligero que integra semántica multiescala para mejorar el pronóstico de series temporales a largo plazo. Resultados destacados en el CCF AlOps Challenge.
Marco APTF: Entrenamiento consciente de predecibilidad en series temporales
Mejora el pronóstico y clasificación de series temporales con APTF, un marco que identifica muestras de baja predecibilidad y las penaliza progresivamente.
Difusión compleja paralela para generación escalable de series temporales
Descubre PaCoDi: difusión espectral para series temporales escalables. Supera a métodos tradicionales en calidad y eficiencia.
Razonamiento adaptativo en series temporales mediante selección de segmentos
Descubre ARTIST, el sistema que optimiza el razonamiento en series temporales seleccionando segmentos clave. Mejora la precisión un 6.46% con aprendizaje por refuerzo.
Modelado Inverso Codificado con Física para Predicción de Nieve Ártica
Descubre el modelo inverso PhysE-Inv que combina LSTM y física para predecir nieve ártica, reduciendo errores un 24.7%.
Transformer de grafos multitarea para predicción de tránsito
Descubre cómo el Transformer SMT-GraphFormer predice embarques y desembarques en autobuses con precisión superior, superando modelos tabulares tradicionales. Ideal para planificación urbana.
DistMatch: Agrupación Adaptativa para Predicción Conformal Secuencial
Descubre DistMatch, nuevo método de agrupación adaptativa que mejora la robustez de la predicción conforme secuencial ante cambios de distribución.