Time Series Embedding and Combination of Forecasts: A Reinforcement Learning Approach
时间序列嵌入与预测组合：强化学习方法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：摘要以动态预测选择与组合为核心，并使用时间序列预测数据和专业预测者调查进行评估，直接对应预测方向。
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
时间序列嵌入与预测组合：强化学习方法
- 研究问题
- 面对多种预测方法，如何随信息变化动态选择和组合预测，以应对复杂组合方法难以持续胜过简单平均的预测组合难题？
- 方法与思路
- 作者提出基于强化学习的动态模型选择框架，通过模拟和真实数据预测实验评估，并使用 M4 数据及专业预测者调查数据。
- 材料陈述的贡献
- 摘要提出在不确定性下进行预测选择与组合的适应性方法，并将其视为解决预测组合难题的潜在进展，但未报告具体改进幅度。
- 阅读关注点
- 应核对时间序列嵌入的实际作用、强化学习的状态与奖励定义，以及时间顺序切分、简单平均基准和预测评估设置。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明算法细节或比较数值，不能认定组合难题已被解决。
原文摘要
The forecasting combination puzzle is a well-known phenomenon in forecasting literature, stressing the challenge of outperforming the simple average when aggregating forecasts from diverse methods. This study proposes a Reinforcement Learning - based framework as a dynamic model selection approach to address this puzzle. Our framework is evaluated through extensive forecasting exercises using simulated and real data. Specifically, we analyze the M4 Competition dataset and the Survey of Professional Forecasters (SPF). This research introduces an adaptable methodology for selecting and combining forecasts under uncertainty, offering a promising advancement in resolving the forecasting combination puzzle.