Online Distributional Regression
在线分布回归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：摘要以流式数据的概率预测为目标，并提供日前电价预测案例，最直接对应预测方向，未涉及收益预测或金融波动率模型。
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…
在线分布回归
- 研究问题
- 面对持续到达的大规模数据，如何在线更新概率预测模型，同时学习条件均值、异方差及其他分布特征并降低计算成本？
- 方法与思路
- 作者结合在线 LASSO 估计与 GAMLSS 框架，提出正则化线性分布模型的增量估计算法，并用于日前电价预测。
- 材料陈述的贡献
- 摘要称，增量估计在电价案例中取得有竞争力的预测表现并显著减少计算工作量，相关算法已实现为 Python 包 ondil。
- 阅读关注点
- 应核对所选分布族、各分布参数的更新与正则化方式，以及电价预测的时间划分、概率评价指标和计算成本比较口径。
- 阅读边界
- 仅据 arXiv 预印本摘要，同行评审或期刊接收未核实；预测优势的具体数值、比较基准及在线算法的理论保证未说明。
原文摘要
Large-scale streaming data are common in modern machine learning applications and have led to the development of online learning algorithms. Many fields, such as supply chain management, weather and meteorology, energy markets, and finance, have pivoted toward probabilistic forecasting. This results in the need not only for accurate learning of the expected value but also for learning the conditional heteroskedasticity and conditional moments. Against this backdrop, we present a methodology for online estimation of regularized, linear distributional models. The proposed algorithm combines recent developments in online estimation of LASSO models with the well-known GAMLSS framework. We provide a case study on day-ahead electricity price forecasting, in which we show the competitive performance of the incremental estimation combined with strongly reduced computational effort. Our algorithms are implemented in a computationally efficient Python package ondil.