“you can try DeepAR with parametric likelihood function [0] or Multi-Horizon Quantile RNN (non-parametric) [1]”
A Multi-Horizon Quantile Recurrent Forecaster
用序列到序列网络与分位数回归做直接多步概率时间序列预测
论文提出通用的概率性多步时间序列回归框架,结合序列到序列神经网络(循环或卷积结构)的表达力、分位数回归的非参数特性以及直接多步预测的效率,并设计了一种提升序列网络稳定性与性能的新训练方案 forking-sequences。作者表明该方法能处理时间与静态协变量、跨多个相关序列学习、季节性变化、未来计划事件的尖峰和冷启动等真实大规模预测问题,并在预测亚马逊商品需求和公开的电价与负荷概率预测比赛中展示效果。
HN 评论者在聊时间序列预测时把它与 DeepAR 并列为非参数的分位数 RNN,并提到用机器学习预测需求以降低库存成本以及直接多步预测的例子。
学习路径
读这篇之前,按顺序读书架上的 3 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出这条路径先理解序列到序列框架,再看卷积式序列建模(WaveNet)和自回归概率预测(DeepAR),为读多步长分位数预测器打下基础。
- 1
编码器-解码器的序列到序列结构是目标论文预测器的骨架。
读用一个 LSTM 编码、另一个解码的整体结构;先不用关心翻译实验细节。
- 2
WaveNet 的因果膨胀卷积是目标论文卷积式编码器的来源之一。
读causal dilated convolution 如何扩大感受野;跳过音频合成的应用部分。
- 3
DeepAR 是同期用循环网络做概率预测的方法,可与目标论文的分位数直接预测对照。
读自回归地预测分布参数并采样的流程,以及训练多条相关序列的做法。
- 4A Multi-Horizon Quantile Recurrent Forecaster
把序列到序列网络、分位数回归和直接多步预测结合起来做概率时间序列预测。
读先读 forking-sequences 训练方式与分位数损失,再看协变量的处理。
HN 书评
推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及“they found massive savings by using ML to predict demand and thus inventory/costs”
“but I'm referring specifically to direct multi-horizon forecasting (e.g. A Multi-Horizon Quantile Recurrent Forecaster)”