程序员经验分享-hwhale

时间序列预测之区间预测方法（PIs:MVE&Delta&Bayesian&Bootstrap&LUBE）

2023-11-13

博主最近在入门时间序列预测的区间预测方法，网上关于区间预测方法的总结博客甚少，因此在阅读了一些论文之后，博主简单的对区间预测方法进行了总结，为的是给大家的入门提供一个参考。

所有内容的是从我自己的总结文档中截取的
不足之处，欢迎指正。

前言

传统的点预测，不能很好的处理系统运行中的不确定性，为了获得数值估计及其可靠性，实际应用对预测区间（PIs）的构造提出了很高的要求。区间预测方法的好坏要考察以下几个点：1）实施的难度；2）是否有关于数据分布的前提假设；3）计算量的大小（计算负担太大的方法无法满足实时性的要求）。本文的目的是提供一个宏观的入门参考指南，给小白的入门提供参考，如果读者是为了深入的进行预测区间的研究，在本文阅读的基础上还要进行大量的文献阅读。为了方便读者深入研究，博主在博客末尾简单的列写了一些参考文献。在方法的综述之前，我们写介绍一些预测区间的评价指标，为后面的方法综述提供基础。

一、预测区间的评价指标

1.PICP(PI coverage probability)

真实值落在预测区间上下界的比率

在这里插入图片描述

2.PINAW(PI normalized averaged width)

在这里插入图片描述

3.CWC(coverage width-based criterion)

CWC有时候也称为CLC(coverage-length-based criterion)
在这里插入图片描述

4.ACE(average coverage error)

在这里插入图片描述

5.AIS(average interval score)

在这里插入图片描述

6.MPICD(mean PI centre deviation)

两个不同的PI如果都覆盖了一个点，那么这个点越接近PI的中线则说明PI的质量越好。如下图所示：
在这里插入图片描述
在这里插入图片描述

二、区间预测方法综述

1.Mean Variance Estimation(MVE)

前提假设：误差的分布是具有非常数方差的加性高斯分布
缺点：准确度很大程度受到与其相关的数值预测的效果影响，计算负担相对小但是对于数据方差的低估会导致预测区间对真实数据的覆盖率低。
该方法考虑用一个NN来估计目标值的方差，然后用两个NN模型来构造预测区间。下面是MVE方法的原理图：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述在这里插入图片描述

2.Delta Method

前提假设：对于每一个采样点，噪声的方差是恒定的，明显与实际是不符的。它还假设了多层前馈NNs是非线性回归模型，且能够用泰勒级数展开来线性化。
缺点：准确度很大程度受到与其相关的数值预测的效果影响
该方法基于NNs作为非线性模型的表示和解释，这将允许标准渐进理论应用于PI的构建。考虑如下回归式子：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

3.Bayesian Method

前提假设：NN的每个参数都是一个分布，因此该网络的输出可以被看成观察训练数据的某种条件分布。
缺点：计算负担大，需要进行Hessian矩阵的计算，当数据规模不够大的时候，准确度很大程度依赖于先验知识。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

4.Bootstrap Method

前提假设：假设噪声遵循零均值的正态分布
缺点：作为一种重采样方法，要训练很多不同的NN，对大数据集来说需要很大的计算成本。集成的性能很大程度取决于单独的网络，也就是说如果一个单独的网络偏差比较大，那么整个模型的性能就会恶化。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

5.LUBE method

LUBE方法时为了克服上述四个方法的缺点而提出的，它没有对于数据分布的假设，也避免了Jacobian矩阵和Hessian矩阵数值计算的问题。
缺点：由于无法构建监督学习问题，LUBE方法中NNs的参数必须配合启发式的参数搜索方法来进行整定（包括NN的结构和参数），由于参数初始化没有一个特别好的方法，这大大增加了计算负担。
LUBE的方法是用NN分别输出PI的上界和下界（注意这里是用一个NN来预测两个输出），这种方法来获得预测区间是直接的。下面是LUBE方法的原理示意图：

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

总结

本文对五种区间预测的基本方法进行了总结，并且分析其假设和优缺点，包括：MVE方法、Delta方法、Bayesian方法、Bootstrap方法和LUBE方法。并且列总结了评价预测区间好坏的几种指标。本文可以作为了解区间预测基本方法的一种入门参考指南，如果要进行深入研究，还是要阅读相关的论文。

参考文献

[1] J. G. Hwang & A. A. Ding. Prediction intervals for artificial neural networks. Journal of the American Statistical Association. 1997, 92(438), 748-757.
[2] T. Heskes. Practical confidence and prediction intervals. In Advances in neural information processing systems. 1997, 176-182.
[3] G. Tang, Y. Wu, C. Li, P. K. Wong, Z. Xiao & X. An. A Novel Wind Speed Interval Prediction based on Error Prediction Method. IEEE Transactions on Industrial Informatics. 2020, 16(11), 6806-6915.
[4]A. Khosravi & S. Nahavandi. An optimized mean variance estimation method for uncertainty quantification of wind power forecasts. International Journal of Electrical Power & Energy Systems. 2014, 61, 446-454.
[5] C. Lian, L. Zhu, Z. Zeng, Y. Su, W. Yao & H. Tang. Constructing prediction intervals for landslide displacement using bootstrapping random vector functional link networks selective ensemble with neural networks switched. Neurocomputing. 2018, 291, 1-10.
[6] A. Khosravi, S. Nahavandi & D. Creighton. Construction of optimal prediction intervals for load forecasting problems. IEEE Transactions on Power Systems. 2010, 25(3), 1496-1503.
[7] Z. Han, W. Pedrycz, J. Zhao & W. Wang. Hierarchical Granular Computing-Based Model and Its Reinforcement Structural Learning for Construction of Long-Term Prediction Intervals. IEEE Transactions on Cybernetics. 2020
[8] C. Guan, P. B. Luh, L. D. Michel & Z. Chi. Hybrid Kalman filters for very short-term load forecasting and prediction interval estimation. IEEE Transactions on Power Systems. 2013, 28(4), 3806-3817.
[9] C. Lian, Z. Zeng, X. Wang, W. Yao, Y. Su & H. Tang. Landslide displacement interval prediction using lower upper bound estimation method with pre-trained random vector functional link network initialization. Neural Networks. 2020, 130, 286-296.
[10] A. Khosravi, S. Nahavandi, D. Creighton & A. F. Atiya. Lower upper bound estimation method for construction of neural network-based prediction intervals. IEEE transactions on neural networks. 2010, 22(3), 337-346.
[11] N. A. Shrivastava, A. Khosravi & B. K. Panigrahi. Prediction interval estimation of electricity prices using PSO-tuned support vector machines. IEEE Transactions on Industrial Informatics. 2015, 11(2), 322-331.
[12] C. Sheng, J. Zhao, W. Wang & H. Leung. Prediction intervals for a noisy nonlinear time series based on a bootstrapping reservoir computing network ensemble. IEEE Transactions on neural networks and learning systems. 2013, 24(7), 1036-1048.
[13] C. Lian, C. P. Chen, Z. Zeng, W. Yao & H. Tang. Prediction intervals for landslide displacement based on switched neural networks. IEEE Transactions on Reliability. 2016, 65(3), 1483-1495.
[14] H. Quan, D. Srinivasan & A. Khosravi. Short-term load and wind power forecasting using neural network-based prediction intervals. IEEE transactions on neural networks and learning systems. 2013, 25(2), 303-315.
[15] A. Khosravi, E. Mazloumi, S. Nahavandi, D. Creighton & J. W. C. Van Lint. Prediction intervals to account for uncertainties in travel time prediction. IEEE Transactions on Intelligent Transportation Systems. 2011, 12(2), 537-547.

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)

时间序列

区间预测

方法综述

深度学习

大数据

时间序列预测之区间预测方法（PIs:MVE&Delta&Bayesian&Bootstrap&LUBE） 的相关文章

随机推荐

  • Spring源码分析衍生篇五：AutowiredAnnotationBeanPostProcessor

    文章目录 一 前言 二 AutowiredAnnotationBeanPostProcessor 三 determineCandidateConstructors 四 postProcessProperties postProcessPro

  • python程序员爬取分析20万场吃鸡数据，带妹吃鸡，终成人生赢家

    首先 神枪镇楼 吃鸡 撩妹神器 吃鸡游戏受到很多年轻人的喜爱 用户量也非常大 有很多地图 场景逼真 技术玩法 增加了游戏可玩性 而且 很多小姐姐也喜欢玩 几乎在组队当中 都可以碰到 带个妹子组队游戏 一边语音一边吃鸡 带小姐姐吃鸡就很容易获

  • Flutter之tabber改造

    先说改造效果 效果1 tabber在页面中间 不在顶部或者底部 效果2 tab用按钮的形状来显示 不单单是文字 两种效果如下图所示 注 代码中有一些是注释的 故意没删除 是我解决问题时的思路 可以参考 因为要解决左右滑动样式变化问题 没有使

  • SVN update时出现：E155004错误

    Update SVN的代码 但是在update时出现svn E155004 Working copy E XX locked 错误 乍眼一看以为是什么配置出错 但是他们update源码时正常 后来仔细一看错误原因 是因为有locked 然后

  • 计算机系统结构教程

    这是一本计算机系统结构的教程 出版社是清华大学 是许多高校的教学教材 由计算机系统结构的基础知识 指令系统的设计 流水线技术 向量处理机 指令级并行及其开发 硬件方法 指令级并行的开发 软件方法 存储系统 输入输出系统 互连网络 多处理机

  • 如何使用微服务架构进行项目开发？

    随着软件开发的发展 微服务架构在企业和互联网项目中越来越普遍 内部功能模块独立 高度可扩展和可移植 可在团队成员中实现不同项目的部署和管理 使用微服务架构需要了解相关技术和工具来简化我们的开发工作流程 在本文中 我们将讨论一下微服务架构的实

  • 快速解决AndroidStudio代码提示失效问题

    在编写代码时 代码不自动提示 发现代码自动提示设置正常 所以查询到问题原因在于节能模式的开启 具体解决方式如下 关闭节能模式 如上图所示 将Power Save Mode前面的对勾去掉 则完成节能模式的关闭 代码提示功能正常

  • 【满分】【华为OD机试真题2023B卷 JAVA&JS】篮球比赛

    华为OD2023 B卷 机试题库全覆盖 刷题指南点这里 篮球比赛 知识点广搜 时间限制 1s 空间限制 64MB 限定语言 不限 题目描述 篮球 5V5 比赛中 每个球员拥有一个战斗力 每个队伍的所有球员战斗力之和为该队伍的总体战斗力 现有

  • Makefile “multiple target patterns. Stop.”解决方案

    几天在帮一个同事编译Xen中的tools时 我改了一些config文件 然后就遇到了一个错误 Makefile 72 multiple target patterns Stop 花了大约半个小时才找到了这个错误是自己写错了一个配置的原因 将

  • 《reStructured Pre-training》笔记

    reStructured Pre training 笔记 本文主要记录论文中我觉得比较重要的部分 并加入个人的理解 如有错误请可直接指出 由于格式问题 强烈建议去notion观看 完整版内容请移步notion网页进行详细阅读 谢谢 Abst

  • 【探索Linux】—— 强大的命令行工具 P.5（yum工具、git 命令行提交代码）

    阅读导航 前言 一 软件包管理器 yum 1 yum的概念 yum的基本指令 使用例子 二 git 命令行提交代码 总结 温馨提示 前言 前面我们讲了C语言的基础知识 也了解了一些数据结构 并且讲了有关C 的一些知识 也学习了一些Linux

  • docker java -jar_Docker 部署java jar包

    1 创建一个Dockerfile文件 将Dockerfile文件和jar包放到同一个文件夹下 Dockerfile文件内容 基于java8来构建镜像 FROM java 8 参数设置 ENV PARAMS 设置时区 ENV TZ RPC R

  • 吃鸡账号显示连接不了服务器,《绝地求生》“与Steam服务器连接时出现了一个问题”怎么解决...

    导 读 用STEAM正版的玩家 无论是CSGO DOTA2 CSS的游戏玩家近期升级后会遇到steam错误 无法连接至steam网络这个问题 弄得很头疼 有的玩家说在线等升级其实不是这样 这样根本不能解决这个 用STEAM正版的玩家 无论是

  • 华为云云耀云服务器L实例评测｜使用宝塔面板管理服务器教学

    目录 一 概述 1 1 华为云云耀云服务器L实例 1 2 BT 宝塔 1 3 资源和成本规划 二 购买云耀云服务器L实例并进行相关配置 2 1 购买云耀云服务器L实例 2 2 设置服务器密码 2 3 配置安全组 2 4 设置Nginx安全级

  • VJ2-Perfect Squares

    A Perfect Squares time limit per test 1 second memory limit per test 256 megabytes input standard input output standard

  • Qt设置窗口背景，但是不影响控件

    设置窗口背景 代码如下 mainWidget gt setStyleSheet border image url icon 123 但是当添加一些控件之后 会出现下面这种情况 解决方法 只给窗口设置样式 mainWidget gt setO

  • 【Docker】容器化应用程序的配置管理策略与实践

    一 引言 1 1 Docker的背景和优势 Docker是一种开源的容器化平台 简化应用程序的打包 交付和运行过程 基于Linux容器技术 通过提供一个轻量级 可移植和自包含的容器来实现应用程序的隔离和部署 在传统的应用程序开发和部署中 往

  • c语言输入20个数，从小到大建立一个单链表

    一 要求输入20个数 按照从小到大的顺序存入链表中 可以分四步 获取数据 进行排序 插入链表 打印链表 1 定义一个整型数组 用来存储获得的20个数 int a 20 int i for i 0 i lt 20 i scanf d a i

  • 081200计算机科学与技术专业,研究生计算机科学与技术专业排名

    研究生计算机科学与技术专业排名 作者 admin 点击 次 南京大学考研网 nandakaoyan com 南京大学排名 研究生计算机科学与技术专业排名 唯一权威的南京大学考研网站为大家提供 研究生计算机科学与技术专业排名 本站由南京大学研

  • 时间序列预测之区间预测方法（PIs:MVE&Delta&Bayesian&Bootstrap&LUBE）

    文章目录 前言 一 预测区间的评价指标 1 PICP PI coverage probability 2 PINAW PI normalized averaged width 3 CWC coverage width based crite

热门标签