Model combinations through revised base-rates
通过修正基础比率进行预测模型组合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：摘要核心是预测模型选择、组合及跨序列学习，并通过真实时间序列比较预测表现，因此归入预测与即时预测方向。
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…
通过修正基础比率进行预测模型组合
- 研究问题
- 预测模型选择通常只考虑单条序列的信息；如何引入候选模型跨序列的总体表现，再结合序列特征进行选择与组合？
- 方法与思路
- 作者利用候选模型的基础比率并以逐序列信息修正，构造基于列联表精确率和敏感度的两种方案，应用于指数平滑模型池。
- 材料陈述的贡献
- 摘要称，两种方案在大量真实时间序列上优于标准统计基准，并讨论其与跨序列学习方法的联系及理论和实践启示。
- 阅读关注点
- 应核对基础比率如何定义与估计、修正规则和组合权重、跨序列信息是否造成数据泄漏，以及预测评价与基准设置。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未报告改进幅度和评价细节，结论不能扩展至所有模型池。
原文摘要
Standard selection criteria for forecasting models focus on information that is calculated for each series independently, disregarding the general tendencies and performances of the candidate models. In this paper, we propose a new way to statistical model selection and model combination that incorporates the base-rates of the candidate forecasting models, which are then revised so that the per-series information is taken into account. We examine two schemes that are based on the precision and sensitivity information from the contingency table of the base rates. We apply our approach on pools of exponential smoothing models and a large number of real time series and we show that our schemes work better than standard statistical benchmarks. We discuss the connection of our approach to other cross-learning approaches and offer insights regarding implications for theory and practice.