1.SwinVRNN: модель ансамблевого прогнозирования на основе данных с помощью изученного возмущения распределения(arXiv)

Автор:Юань Ху, Лэй Чен, Жибинь Ван, Хао Ли

Аннотация. Подходы к среднесрочному прогнозированию погоды, основанные на данных, в последнее время продемонстрировали чрезвычайно многообещающие возможности для ансамблевого прогнозирования из-за их высокой скорости вывода по сравнению с традиционными моделями численного прогнозирования погоды (ЧПП), но точность их прогнозов вряд ли может сравниться с ними. современная модель интегрированной системы прогнозирования (IFS) ЕЦСПП. Предыдущие попытки на основе данных выполнить ансамблевый прогноз с использованием некоторых простых методов возмущения, таких как возмущение начальных условий и отсев методом Монте-Карло. Однако в основном они страдают от неудовлетворительной ансамблевой работы, что, возможно, связано с неоптимальными способами применения возмущения. Мы предлагаем вариационную рекуррентную нейронную сеть на основе Swin Transformer (SwinVRNN), которая представляет собой стохастическую модель прогнозирования погоды, сочетающую предсказатель SwinRNN с модулем возмущения. SwinRNN разработан как рекуррентная нейронная сеть на основе Swin Transformer, которая детерминистически предсказывает будущие состояния. Кроме того, чтобы смоделировать стохастичность в прогнозировании, мы разрабатываем модуль возмущения, следуя парадигме вариационного автоматического кодировщика, чтобы изучать многомерные гауссовские распределения изменяющейся во времени стохастической скрытой переменной из данных. Ансамблевое прогнозирование может быть легко достигнуто путем возмущения функций модели с использованием шума, взятого из изученного распределения. Мы также сравниваем четыре категории методов возмущения для ансамблевого прогнозирования, т. е. фиксированное возмущение распределения, изученное возмущение распределения, отсев MC и ансамбль с несколькими моделями. Сравнение набора данных WeatherBench показывает, что изученный метод возмущения распределения с использованием нашей модели SwinVRNN обеспечивает превосходную точность прогноза и разумный разброс ансамбля благодаря совместной оптимизации двух целей. Более того, SwinVRNN превосходит оперативную IFS по приземным переменным 2-метровой температуры и 6-часового общего количества осадков во всех заблаговременностях до пяти дней.

2.AutoTS: разработка модели автоматического прогнозирования временных рядов на основе двухэтапной обрезки (arXiv)

Автор:Чуньнань Ван, Сингью Чен, Чэнъюэ Ву, Хунчжи Ван

Аннотация: Проектирование модели автоматического прогнозирования временных рядов (TSF), призванное помочь пользователям эффективно разработать подходящую модель прогнозирования для заданных сценариев данных временных рядов, является новой темой исследования, требующей срочного решения. В этой статье мы предлагаем алгоритм AutoTS, пытающийся использовать существующие навыки проектирования и разработать эффективные методы поиска для эффективного решения этой проблемы. В AutoTS мы извлекаем эффективный опыт проектирования из существующих работ TSF. Мы допускаем эффективное сочетание опыта проектирования из разных источников, чтобы создать эффективное пространство поиска, содержащее множество моделей ФБО для поддержки различных задач ФБО. Учитывая огромное пространство поиска, в AutoTS мы предлагаем двухэтапную стратегию сокращения, чтобы уменьшить сложность поиска и повысить его эффективность. Кроме того, в AutoTS мы вводим граф знаний, чтобы выявить связи между опциями модуля. Мы в полной мере используем эту реляционную информацию для изучения функций более высокого уровня каждой опции модуля, чтобы еще больше улучшить качество поиска. Обширные экспериментальные результаты показывают, что AutoTS хорошо подходит для зоны хвостохранилища. Он более эффективен, чем существующие алгоритмы поиска нейронной архитектуры, и может быстро разработать мощную модель TSF лучше, чем разработанные вручную.

3.HiSA-SMFM: Модель прогнозирования фондового рынка на основе исторического анализа и анализа настроений(arXiv)

Автор: Ишу Гупта, Тарун Кумар Мадан, Сукхман Сингх, Ашутош Кумар Сингх

Аннотация. Фондовый рынок является одним из столпов, на которых строится экономика страны. На протяжении многих лет люди инвестируют в фондовые рынки, чтобы получить как можно больше прибыли от суммы денег, которой они владеют. Следовательно, жизненно важно иметь модель прогнозирования, которая может точно предсказать будущие цены на акции. С помощью машинного обучения это не является невыполнимой задачей, поскольку различные методы машинного обучения при правильном моделировании могут обеспечить наилучшие значения прогноза. Это позволит инвесторам решить, покупать, продавать или держать акции. Цель этой статьи состоит в том, чтобы предсказать будущее финансовых акций компании с повышенной точностью. В этой статье мы предложили использовать исторические данные, а также данные о настроениях для эффективного прогнозирования цен на акции с помощью LSTM. Анализируя существующие исследования в области анализа настроений, было обнаружено, что существует сильная корреляция между движением цен на акции и публикацией новостных статей. Поэтому в этой статье мы объединили эти факторы для более точного прогнозирования цен на акции.