https://blog.qife122.com/tags/%E6%A6%82%E7%8E%87%E9%A2%84%E6%B5%8B/ Recent content in 概率预测 on 办公AI智能小助手 Hugo zh-cn qife Tue, 09 Dec 2025 14:39:12 +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/ Tue, 09 Dec 2025 14:39:12 +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/ <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。贝叶斯方法始于对数据模式的假设（先验概率），通过收集证据（例如新的时间序列数据）并持续更新该假设，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火山二氧化碳数据集。然而，它们通常依赖领域专家费力地选择适当的模型组件，并且计算成本可能很高。像神经网络这样的替代方法缺乏可解释性，使得难以理解其如何生成预测，并且无法产生可靠的置信区间。</p> https://blog.qife122.com/p/%E5%88%86%E5%B1%82%E6%97%B6%E9%97%B4%E5%BA%8F%E5%88%97%E9%A2%84%E6%B5%8B%E6%96%B0%E6%96%B9%E6%B3%95%E6%8F%90%E5%8D%87%E5%87%86%E7%A1%AE%E7%8E%87/ Fri, 12 Sep 2025 12:05:29 +0800 https://blog.qife122.com/p/%E5%88%86%E5%B1%82%E6%97%B6%E9%97%B4%E5%BA%8F%E5%88%97%E9%A2%84%E6%B5%8B%E6%96%B0%E6%96%B9%E6%B3%95%E6%8F%90%E5%8D%87%E5%87%86%E7%A1%AE%E7%8E%87/ <h1 id="分层时间序列预测新方法提升准确率">分层时间序列预测新方法提升准确率</h1> <p>时间序列预测通常具有层次结构：例如某机构可能需要预测区域、州和国家级别的能源消耗；零售商可能需要按颜色、型号、品牌、产品类别等逐级汇总的销售预测。传统方法为层次结构中每个时间序列单独建立局部模型，然后通过后处理协调不同层级（确保相机品牌销售额等于该品牌下各型号销售额之和）。这种方法存在两个主要缺陷：无法实现跨层级预测共享（低层级数据的稀疏性等特征在高层级可能被聚合消除），且面向平均情况的协调过程会削弱特定情况下高度预测性的非线性特征。</p>