Forecasting time series with constraints
带约束的时间序列预测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：摘要直接研究时间序列预测、线性约束及电力和旅游预测基准，预测方法是最直接方向，未涉及冲击识别或因子建模。
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…
带约束的时间序列预测
- 研究问题
- 如何统一纳入并组合时间序列预测中的线性约束，使约束下的学习问题既能高效求解，又适用于较大规模预测任务？
- 方法与思路
- 作者提出统一的线性约束预测框架，摘要称约束经验风险的精确极小解可以仅用线性代数高效计算，并适于 GPU 实现。
- 材料陈述的贡献
- 摘要所述贡献是统一不同线性约束并提供可扩展求解方式，作者在电力需求与旅游预测基准中报告达到领先水平的表现。
- 阅读关注点
- 应核对经验风险和约束的具体形式、精确求解所需条件，以及基准的数据划分、比较方法与计算成本测量方式。
- 阅读边界
- 这是 arXiv 预印本摘要，不能据此认定同行评审或期刊接收；摘要未说明损失函数及数值结果，不能认定适用于任意约束问题。
原文摘要
Time series forecasting presents unique challenges that limit the effectiveness of traditional machine learning algorithms. To address these limitations, various approaches have incorporated linear constraints into learning algorithms, such as generalized additive models and hierarchical forecasting. In this paper, we propose a unified framework for integrating and combining linear constraints in time series forecasting. Within this framework, we show that the exact minimizer of the constrained empirical risk can be computed efficiently using linear algebra alone. This approach allows for highly scalable implementations optimized for GPUs. We validate the proposed methodology through extensive benchmarking on real-world tasks, including electricity demand forecasting and tourism forecasting, achieving state-of-the-art performance.