Forecasting Multivariate Time Series under Predictive Heterogeneity: A Validation-Driven Clustering Framework
预测异质性下的多元时间序列预测：验证驱动的聚类框架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：摘要明确以高维多元时间序列的样本外预测为目标；分类依据是预测方法，应用数据来自交通领域。
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…
预测异质性下的多元时间序列预测：验证驱动的聚类框架
- 研究问题
- 高维多元时间序列存在预测异质性时，如何决定哪些序列共享模型、哪些需要专门建模，以控制样本外损失？
- 方法与思路
- 作者按验证集预测损失迭代调整分组，使用 Huber 与分位数损失，并在分组无改善时退回全局模型。
- 材料陈述的贡献
- 摘要称该框架将分组决策与预测风险对齐，在大规模交通数据上改善预测，并在异质性较弱时避免性能下降。
- 阅读关注点
- 应核对反复利用验证集是否引入选择偏差、回退机制如何避免泄漏，以及点预测和概率预测的比较方案。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出具体改善幅度，验证集回退不等于测试集性能保证。
原文摘要
We study adaptive pooling under predictive heterogeneity in high-dimensional multivariate time series forecasting, where global models improve statistical efficiency but may fail to capture heterogeneous predictive structure, while naive specialization can induce negative transfer. We formulate adaptive pooling as a statistical decision problem and propose a validation-driven framework that determines when and how specialization should be applied. Rather than grouping series based on representation similarity, we define partitions through out-of-sample predictive performance, thereby aligning data organization with predictive risk, defined as expected out-of-sample loss and approximated via validation error. Cluster assignments are iteratively updated using validation losses for both point (Huber) and probabilistic (pinball) forecasting, improving robustness to heavy-tailed errors and local anomalies. To ensure reliability, we introduce a leakage-free fallback mechanism that reverts to a global model whenever specialization fails to improve validation performance, providing a safeguard against performance degradation under a strict training-validation-test protocol. Experiments on large-scale traffic datasets demonstrate consistent improvements over strong baselines while avoiding degradation when heterogeneity is weak. Overall, the proposed framework provides a principled and practically reliable approach to adaptive pooling in high-dimensional forecasting problems.