Buchumschlag

Sliding-Window Signatures for Time Series: Application to Electricity Demand Forecasting

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Drobac, Nina, Brégère, Margaux, de Vilmarest, Joseph, Wintenberger, Olivier
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Methodology Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Assessing Extrapolation of Peaks Over Thresholds with Martingale Testing
von: de Vilmarest, Joseph, et al.
Veröffentlicht: (2025)

AutoML Algorithms for Online Generalized Additive Model Selection: Application to Electricity Demand Forecasting
von: Das, Keshav, et al.
Veröffentlicht: (2025)

Improving Forecasts for Heterogeneous Time Series by "Averaging", with Application to Food Demand Forecast
von: Neubauer, Lukas, et al.
Veröffentlicht: (2023)

Large Scale Hierarchical Industrial Demand Time-Series Forecasting incorporating Sparsity
von: Kamarthi, Harshavardhan, et al.
Veröffentlicht: (2024)

Automated Spatio-Temporal Weather Modeling for Load Forecasting
von: Keisler, Julie, et al.
Veröffentlicht: (2024)

Online Learning Approach for Survival Analysis
von: Fernandez, Camila, et al.
Veröffentlicht: (2024)

Autoregressive with Slack Time Series Model for Forecasting a Partially-Observed Dynamical Time Series
von: Okuno, Akifumi, et al.
Veröffentlicht: (2023)

ProbRes: Volatility Learning for Probabilistic Time-Series Forecasting
von: Wang, Tingting, et al.
Veröffentlicht: (2026)

Neural Networks for Extreme Quantile Regression with an Application to Forecasting of Flood Risk
von: Pasche, Olivier C., et al.
Veröffentlicht: (2022)

A Gentle Introduction to Conformal Time Series Forecasting
von: Stocker, M., et al.
Veröffentlicht: (2025)

SPINEX-TimeSeries: Similarity-based Predictions with Explainable Neighbors Exploration for Time Series and Forecasting Problems
von: Naser, Ahmed Z, et al.
Veröffentlicht: (2024)

Leave a Window Out: Modifying the Jackknife for Predictive Inference in Time Series
von: Jiang, Hanyang, et al.
Veröffentlicht: (2026)

DoFlow: Flow-based Generative Models for Interventional and Counterfactual Forecasting on Time Series
von: Wu, Dongze, et al.
Veröffentlicht: (2025)

Fast Training of Mixture-of-Experts for Time Series Forecasting via Expert Loss Integration
von: Mahtout, Btissame El, et al.
Veröffentlicht: (2026)

Forecasting Multivariate Time Series under Predictive Heterogeneity: A Validation-Driven Clustering Framework
von: Ma, Ziling, et al.
Veröffentlicht: (2026)

Evaluation of Stress Detection as Time Series Events -- A Novel Window-Based F1-Metric
von: Skat-Rørdam, Harald Vilhelm, et al.
Veröffentlicht: (2025)

A Bandit Approach with Evolutionary Operators for Model Selection
von: Brégère, Margaux, et al.
Veröffentlicht: (2024)

Automated Deep Learning for Load Forecasting
von: Keisler, Julie, et al.
Veröffentlicht: (2024)

Robust Spectral Fuzzy Clustering of Multivariate Time Series with Applications to Electroencephalogram
von: Ma, Ziling, et al.
Veröffentlicht: (2025)

Benchmarking Unsupervised Strategies for Anomaly Detection in Multivariate Time Series
von: Boggia, Laura, et al.
Veröffentlicht: (2025)

Application-Driven Learning: A Closed-Loop Prediction and Optimization Approach Applied to Dynamic Reserves and Demand Forecasting
von: Garcia, Joaquim Dias, et al.
Veröffentlicht: (2021)

Use of Prior Knowledge to Discover Causal Additive Models with Unobserved Variables and its Application to Time Series Data
von: Maeda, Takashi Nicholas, et al.
Veröffentlicht: (2024)

Interpreting Time Series Forecasts with LIME and SHAP: A Case Study on the Air Passengers Dataset
von: Shukla, Manish
Veröffentlicht: (2025)

Data Augmentation of Multivariate Sensor Time Series using Autoregressive Models and Application to Failure Prognostics
von: de Souza, Douglas Baptista, et al.
Veröffentlicht: (2024)

Time Series Gaussian Chain Graph Models
von: Fang, Qin, et al.
Veröffentlicht: (2026)

Additive Covariance Matrix Models: Modelling Regional Electricity Net-Demand in Great Britain
von: Gioia, V., et al.
Veröffentlicht: (2022)

Why Model Selection Fails in Time Series Forecasting: An Empirical Study of Instability Across Data Regimes
von: Akinci, Tahir Cetin, et al.
Veröffentlicht: (2026)

Adaptive time series forecasting with markovian variance switching
von: Abélès, Baptiste, et al.
Veröffentlicht: (2024)

Interventional Time Series Priors for Causal Foundation Models
von: Thumm, Dennis, et al.
Veröffentlicht: (2026)

An Online Bootstrap for Time Series
von: Palm, Nicolai, et al.
Veröffentlicht: (2023)

Rating Multi-Modal Time-Series Forecasting Models (MM-TSFM) for Robustness Through a Causal Lens
von: Lakkaraju, Kausik, et al.
Veröffentlicht: (2024)

Random Fourier Signature Features
von: Toth, Csaba, et al.
Veröffentlicht: (2023)

Variable Selection for Comparing High-dimensional Time-Series Data
von: Mitsuzawa, Kensuke, et al.
Veröffentlicht: (2024)

Spectral Differential Network Analysis for High-Dimensional Time Series
von: Hellstern, Michael, et al.
Veröffentlicht: (2024)

Time Series Generative Learning with Application to Brain Imaging Analysis
von: Li, Zhenghao, et al.
Veröffentlicht: (2024)

Towards Accurate and Interpretable Time-series Forecasting: A Polynomial Learning Approach
von: Liu, Bo, et al.
Veröffentlicht: (2026)

Estimation of the Spectral Measure from ConvexCombinations of Regularly Varying RandomVectors
von: Oesting, Marco, et al.
Veröffentlicht: (2020)

Causal Discovery in Multivariate Time Series through Mutual Information Featurization
von: Paldino, Gian Marco, et al.
Veröffentlicht: (2025)

LLM-Powered CPI Prediction Inference with Online Text Time Series
von: Fan, Yingying, et al.
Veröffentlicht: (2025)

Automatic Change-Point Detection in Time Series via Deep Learning
von: Li, Jie, et al.
Veröffentlicht: (2022)