最近，来自澳大利亚蒙纳士大学、蚂蚁集团、IBM 研究院等机构的研究人员探索了模型重编程 (model reprogramming) 在大语言模型 (LLMs) ...

最近，Google Research的研究人员提出了一个时序预测基础模型TimesFM，在1000亿个「真实世界时间点」上进行预训练；与最新的大型语言模型（LL...

这篇系统文献综述全面考察了大型语言模型（LLM）在预测和异常检测方面的应用，重点分析了目前的研究现状、固有挑战和未来可能的发展方向。

降本增效=降本增笑？增不增效暂且不清楚，但是这段时间大厂的产品频繁出现服务器宕机和产品BUG确实是十分增笑。目前来看降本增效这一理念还会不断渗透到各行各业，不单...

时间序列预测是许多领域中的关键任务，例如金融、天气预报和传感器数据分析等。然而，时间序列经常受到趋势、季节性或不规则波动等因素的影响，表现出非平稳性。这种非平稳...

上一篇已经对赛题进行详细分析了，而且大方向和基本的模型已经确定完毕，数据集都已经找到了，现在最重要的就是要分析风暴数据集以及建立时序预测模型，使用气候模型预测的...

对时间序列数据构建大模型，并适配各种时序任务（比如：时序预测）是最近时序研究的新视角。最近来自澳大利亚新南威尔士大学的几位研究者提出了一种新的预测范式：基于提示...

与常规的时序预测模型不同的是，研究者参考语言模型，在预测过程中为要预测的输入窗口添加了提示词

在该论文中，研究者提出了基于Transformer时序预测和时序表示学习新方法，将时间序列数据转换成类似Vision Transformer中的Patch形式，...

概率时间序列预测是在广泛应用中出现的一个重要实际问题，包括金融、天气预报、脑成像和计算机系统性能管理等领域。针对这一任务，已经提出了各种方法，从传统的自回归模型...

概率时间序列预测是在广泛应用中出现的一个重要实际问题，包括金融、天气预报、脑成像和计算机系统性能管理等领域。针对这一任务，已经提出了各种方法，从传统的自回归模型...

本文介绍一篇由清华大学软件学院机器学习组在时间序列预测方向的最新工作，该论文已被NeulPS 2023收录。

近期，时间序列预测领域的首个大模型 TimeGPT 引起业界热议，大模型+时间序列这个新方向也更值得探索研究。

研究者认为，尽管深度学习在其他领域取得了成功，但其在时间序列分析中的有效性仍然受到争议。他们强调了由于缺乏标准化大规模数据集，在评估深度学习模型进行时间序列预测...

研究者在 Reformer、Informer、Flowformer、Flashformer 等进行时序预测的 Transformer 变体模型上测试倒置的通用性...

Transformer因其捕捉长序列交互的能力而在时间序列预测中备受青睐。然而，尽管计算感知的自注意力模块取得了许多进展，但其对内存和计算的需求仍然是长期预测的...

深度学习方法是一种利用神经网络模型进行高级模式识别和自动特征提取的机器学习方法，近年来在时序预测领域取得了很好的成果。常用的深度学习模型包括循环神经网络（RNN...

可以看到，基于随机化方法和梯度优化方法都可以使得时序预测模型更加鲁棒，其中基于梯度的防御策略能够更有效提高模型的鲁棒性和安全性，特别是当梯度值较小时，防御策略的...

今天给大家介绍一个金融数据分析库yfinance，主要是基于该库下的股票数据分析及股价预测（使用LSTM模型）