Forecasting with Hyper-Trees
利用 Hyper-Trees 进行预测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 ARIMA、指数平滑等时间序列模型为目标，并研究树模型辅助的预测方法。
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
利用 Hyper-Trees 进行预测
- 研究问题
- 如何让梯度提升树利用表格特征学习经典时间序列模型的参数，从而结合树模型的表达能力与传统预测模型的动态结构？
- 方法与思路
- 作者提出 Hyper-Trees，由树学习 ARIMA 或指数平滑模型的特征依赖参数；参数维度较高时，由树生成表示，再由浅层网络输出参数。
- 材料陈述的贡献
- 摘要提出了通过预测模型参数而生成最终预测的框架，并以树与神经网络的组合处理参数扩展问题，探索多类时间序列预测任务。
- 阅读关注点
- 应核对目标模型参数约束、训练损失及预测生成流程，并检查混合架构的计算扩展性和各任务中的基准、划分与评估结果。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未报告具体预测结果、理论保证或比较幅度，不能认定该框架已普遍改善预测。
原文摘要
We introduce Hyper-Trees as a novel framework for modeling time series data using gradient boosted trees. Unlike conventional tree-based approaches that forecast time series directly, Hyper-Trees learn the parameters of a target time series model, such as ARIMA or Exponential Smoothing, as functions of features. These parameters are then used by the target model to generate the final forecasts. Our framework combines the effectiveness of decision trees on tabular data with classical forecasting models, thereby inducing a time series inductive bias into tree-based models. To resolve the scaling limitations of boosted trees when estimating a high-dimensional set of target model parameters, we combine decision trees and neural networks within a unified framework. In this hybrid approach, the trees generate informative representations from the input features, which a shallow network then uses as input to learn the parameters of a time series model. With our research, we explore the effectiveness of Hyper-Trees across a range of forecasting tasks and extend tree-based modeling beyond its conventional use in time series analysis.