Статистические данные > Машинное обучение [представлено 3 сентября 2026 года] Название: Rollcast: Greed-Score Gated Standing Ankors for aдаптивное вероятностное прогнозирование времени PDF HTML (экспериментальное) Резюме: Roellcast является перспективным методом прогнозирования для одновариантных временных рядов, который комбинирует компактный набор скользящих статистических якорей вместо использования единой глобальной модели. Крутящиеся средства, медианы, конечности, конечных точек регрессии и квантовые параметры определяют возможные места прогнозирования и представление текущего состояния. Зависящие от государства мягкие врата обучаются якорным вероятностям, минимизируя отрицательное прогнозируемое log плотность, тогда как остаточные распределения из аналогичных исторических государств создают местную неуверенность. Рекурсивное моделирование распространяет полученную смесь на многопрогнозные горизонты. Этот метод оценивается в исследовании Монте-Карло, охватывающем восемь процессов получения данных, включая авторегрессивные процессы, случайный ход, местную тенденцию, пороговый уровень, колебание режимов, стохастическая активность, динамику тяжелых хвостов и разрывов. Из 2000 независимых установленных рядов Rolcast сравнивается с реальным условным прогнозным распределением, генерируемым имитатором оракула. Общий эмпирический охват составляет 86,2% для номинальных 90% интервалов и 91,5% - для номинально 95% интервалов. Предсказуемые интервалы в среднем на 13,6% превышают…
" Rollcast: Надлежащий счёт Gated Angors for Aдаптивное прогнозирование вероятностей времени
arXiv: 2609.05561v1 Annuate Type: New Humber: Rollcast - это вероятностный метод прогнозирования для однократных временных рядов, который сочетает компактный набор скользящих статистических якорей вместо использования единой глобальной модели. Крутящиеся средства, медианы, конечности, конечных точек регрессии и квантовые параметры определяют возможные места прогнозирования и представление текущего состояния. Зависящие от государства мягкие врата обучаются якорным вероятностям, минимизируя отрицательное прогнозируемое log плотность, тогда как остаточные распределения из аналогичных исторических государств создают местную неуверенность. Рекурсивное моделирование распространяет полученную смесь на многопрогнозные горизонты. Этот метод оценивается в исследовании Монте-Карло, охватывающем восемь процессов получения данных, включая авторегрессивные процессы, случайный ход, местную тенденцию, пороговый уровень, колебание режимов, стохастическая активность, динамику тяжелых хвостов и разрывов. Из 2000 независимых установленных рядов Rolcast сопоставляется с реальным условным прогнозом d
