https://blog.qife122.com/tags/%E6%A6%82%E7%8E%87%E7%BC%96%E7%A8%8B/ Recent content in 概率编程 on 办公AI智能小助手 Hugo zh-cn qife Wed, 19 Nov 2025 02:58:25 +0800 https://blog.qife122.com/p/autobnn%E5%88%A9%E7%94%A8%E7%BB%84%E5%90%88%E5%BC%8F%E8%B4%9D%E5%8F%B6%E6%96%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E8%BF%9B%E8%A1%8C%E6%A6%82%E7%8E%87%E6%97%B6%E9%97%B4%E5%BA%8F%E5%88%97%E9%A2%84%E6%B5%8B/ Wed, 19 Nov 2025 02:58:25 +0800 https://blog.qife122.com/p/autobnn%E5%88%A9%E7%94%A8%E7%BB%84%E5%90%88%E5%BC%8F%E8%B4%9D%E5%8F%B6%E6%96%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E8%BF%9B%E8%A1%8C%E6%A6%82%E7%8E%87%E6%97%B6%E9%97%B4%E5%BA%8F%E5%88%97%E9%A2%84%E6%B5%8B/ <h2 id="autobnn概率时间序列预测与组合式贝叶斯神经网络">AutoBNN：概率时间序列预测与组合式贝叶斯神经网络</h2> <p>时间序列问题无处不在，从预测天气和交通模式到了解经济趋势。贝叶斯方法从对数据模式的假设（先验概率）开始，收集证据（例如新的时间序列数据），并持续更新该假设以形成后验概率分布。传统贝叶斯方法如高斯过程（GPs）和结构时间序列被广泛用于建模时间序列数据，例如常用的莫纳罗亚二氧化碳数据集。然而，它们通常依赖领域专家费力选择适当的模型组件，并且计算成本可能很高。神经网络等替代方法缺乏可解释性，使得难以理解它们如何生成预测，并且不产生可靠的置信区间。</p> https://blog.qife122.com/p/autobnn%E5%88%A9%E7%94%A8%E7%BB%84%E5%90%88%E8%B4%9D%E5%8F%B6%E6%96%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E8%BF%9B%E8%A1%8C%E6%A6%82%E7%8E%87%E6%97%B6%E9%97%B4%E5%BA%8F%E5%88%97%E9%A2%84%E6%B5%8B/ Mon, 13 Oct 2025 02:47:43 +0800 https://blog.qife122.com/p/autobnn%E5%88%A9%E7%94%A8%E7%BB%84%E5%90%88%E8%B4%9D%E5%8F%B6%E6%96%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E8%BF%9B%E8%A1%8C%E6%A6%82%E7%8E%87%E6%97%B6%E9%97%B4%E5%BA%8F%E5%88%97%E9%A2%84%E6%B5%8B/ <h1 id="autobnn利用组合贝叶斯神经网络进行概率时间序列预测">AutoBNN：利用组合贝叶斯神经网络进行概率时间序列预测</h1> <p>时间序列问题无处不在，从预测天气和交通模式到了解经济趋势。贝叶斯方法从对数据模式的假设（先验概率）开始，收集证据（例如新的时间序列数据），并持续更新该假设以形成后验概率分布。传统贝叶斯方法如高斯过程（GPs）和结构时间序列被广泛用于建模时间序列数据，例如常用的莫纳罗亚二氧化碳数据集。然而，这些方法通常依赖领域专家费力选择适当的模型组件，并且计算成本可能很高。神经网络等替代方法缺乏可解释性，使得难以理解它们如何生成预测，并且无法产生可靠的置信区间。</p>