The DeepCAR Method: Forecasting Time-Series Data That Have Change Points
DeepCAR：含变点时间序列的预测方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确围绕时间序列预测中的变点检测与处理展开，因此对应预测、结构变化和时间序列三个直接相关方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
DeepCAR：含变点时间序列的预测方法
- 研究问题
- 时间序列中的变点如何削弱 DeepAR 的预测表现，能否通过显式纳入变点及调整训练批次大小改善此类序列的预测？
- 方法与思路
- 作者扩展 DeepAR 框架，通过检测并纳入变点处理动态变化，同时考察批次大小在 DeepAR、Transformer 等预测模型中的作用。
- 材料陈述的贡献
- 摘要称，无变点时方法表现与标准 DeepAR 相当，有变点时表现更好；批次大小也被提出为处理变点的一种简单手段。
- 阅读关注点
- 应核对变点检测是否仅使用预测时可得信息、变点如何进入模型，以及批次大小的效果能否与其他训练设置的影响区分。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已通过同行评审或获期刊接收；摘要未说明变点类型、检测方法、评价指标及改善幅度。
原文摘要
Many methods for time-series forecasting are known in classical statistics, such as autoregression, moving averages, and exponential smoothing. The DeepAR framework is a novel, recent approach for time-series forecasting based on deep learning. DeepAR has shown very promising results already. However, time series often have change points, which can degrade the DeepAR's prediction performance substantially. This paper extends the DeepAR framework by detecting and including those change points. We show that our method performs as well as standard DeepAR when there are no change points and considerably better when there are change points. More generally, we show that the batch size provides an effective and surprisingly simple way to deal with change points in DeepAR, Transformers, and other modern forecasting models.