近日，经济学院丁松副教授与我院2022级数量经济学硕士生蔡智建等合作的论文《A unified new-information-based accumulating generation operator based on feature decoupling for multi-characteristic time series forecasting》在计算机科学领域权威期刊Applied Soft Computing（中科院SCI一区TOP）上发表。
论文摘要：不同的系统内部规律和复杂的外部环境常常会产生多样特征的时间序列，为预测模型的适应性和可行性带来挑战。鉴于此，本文通过增强在灰色预测领域中常用的累加生成算子，为预测模型提供一个有效的序列预处理方法。我们的创新在于开发了一个统一的新信息优先累加生成算子（UNAGO），能够同时包含不受约束的指数效应、放缩效应、等权重累加效应。这项技术可以显著增强累加权重结构的自适应可变性并减轻潜在的不兼容性。为验证这个方法，文章选取了涵盖不同行业领域、趋势特征、序列长度、预测步长的五类序列数据，并对所提和现有累加生成技术进行了预测精度对比。除直接对比分析外，我们在样本量实验、趋势反转分析上进行了更深入的研究。实验结果表明，含UNAGO的新模型面对多样的数据特征和预测步长呈现出更强的适应性和稳定性。此外，包含启发式智能算法对比、蒙特卡洛模拟、参数敏感性分析的鲁棒性测试结果，验证了UNAGO的最佳算法及计算的稳定性。
论文链接：
https://doi.org/10.1016/j.asoc.2024.111310
