Improving Forecasts for Heterogeneous Time Series by "Averaging", with Application to Food Demand Forecast
通过平均改善异质时间序列预测：食品需求预测应用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：摘要明确针对异质时间序列构造近邻平均预测方法，并讨论预测理论与诊断，直接对应时间序列及预测方向。
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
通过平均改善异质时间序列预测：食品需求预测应用
- 研究问题
- 对于同一领域中长度和其他特征不同的多条时间序列，如何借助相似序列的信息改善逐条预测，并理解平均策略发挥作用的机制？
- 方法与思路
- 作者利用动态时间规整衡量序列相似性，按近邻方式构造邻域，再提出多种平均策略以改善简单模型预测，并提供理论论证和诊断工具。
- 材料陈述的贡献
- 摘要明确提出相似序列邻域与平均相结合的通用预测框架，并提供支持平均策略的理论论证和诊断工具；未报告食品需求应用的具体结果。
- 阅读关注点
- 应核对相似性计算是否只使用预测时可得信息、邻域大小和平均对象的选择，以及异质性条件、理论适用范围与样本外评价设计。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明数据、基准模型和改善幅度，题名中的食品需求应用不能替代结果证据。
原文摘要
A common forecasting setting in real world applications considers a set of possibly heterogeneous time series of the same domain. Due to different properties of each time series such as length, obtaining forecasts for each individual time series in a straight-forward way is challenging. This paper proposes a general framework utilizing a similarity measure in Dynamic Time Warping to find similar time series to build neighborhoods in a k-Nearest Neighbor fashion, and improve forecasts of possibly simple models by averaging. Several ways of performing the averaging are suggested, and theoretical arguments underline the usefulness of averaging for forecasting. Additionally, diagnostics tools are proposed allowing a deep understanding of the procedure.