#time-series-forecasting

Forking-Sequences — Part II: Multi-Horizon Forecast Ensembling with Reduced Volatility

This CMU ML blog post (Part II of a series) presents forking-sequences as a mechanism for multi-horizon forecast ensembling with reduced volatility. Key contributions include two new forecast volatility metrics — scaled Forecast Percentage Change (sFPC), usable in real-time without ground truth, and scaled Excess Volatility (sEV), which rewards accuracy-improving revisions and only penalizes harmful ones. Empirically, applying exponential-smoothing ensembling (α=0.9) to forking-sequences models reduces sEV by 10–13% across RNN, LSTM, CNN, Transformer, and StateSpace architectures with less than 0.1% accuracy degradation. The technique also works zero-shot on pretrained Time Series Foundation Models (Chronos-2, Toto 2.0, TimesFM, PatchTST, N-BEATS), achieving ~10% volatility reduction at negligible accuracy cost.

Forking-Sequences — Part I: Statistically and Computationally Efficient Multi-Horizon Forecasting

Forking-sequences is a training and inference paradigm for multi-horizon time series forecasting that encodes the entire series across all forecast creation dates (FCDs) in a single forward pass, rather than encoding one window at a time as in standard window-sampling. The approach is encoder-agnostic, validated across MLP, RNN, LSTM, CNN, Transformer, and State Space models. Theoretically, it reduces gradient variance at O(1/T) and improves SNR linearly with T, directly mitigating vanishing gradients in recurrent architectures. Empirically, LSTM encoders saw up to 49.3% sCRPS improvement, RNNs 46.2%, and CNNs 28.6% over window-sampling on M1/M3/M4/Tourism benchmarks. Computationally, reusing encoder outputs across FCDs drops cross-validation complexity from O(T²) to O(T) for LSTMs, RNNs, and CNNs, and from O(T³) to O(T²) for Transformers. Part II will cover forecast volatility reduction through ensembling.

WISER and E.ON Advance Energy Demand Forecasting with Quantum Machine Learning

WISER and E.ON evaluate hybrid quantum machine learning models for electricity demand forecasting using real quantum hardware and energy datasets.

Medium

Chúng tôi phát triển một hệ thống radar học máy (machine learning) nhằm theo dõi nguồn cung cấp nhiên liệu siêu cao cấp (ultra-premium fuel) tại Ấn Độ, một khía cạnh còn bị bỏ qua trong quá trình chuyển đổi xanh toàn cầu.

Nếu bạn là lập trình viên muốn ứng dụng trí tuệ nhân tạo vào giải quyết vấn đề thực tế như quản lý nguồn cung cấp nhiên liệu cao cấp tại Ấn Độ, bài viết này sẽ cung cấp kiến thức về cách xây dựng hệ thống radar ML hiệu quả từ lý thuyết đến thực hành.

The Unreasonable Difficulty of Time Series Forecasting

Preview

Information Theory and Ensemble Models

Bài viết đề xuất sử dụng entropy phổ (spectral entropy) từ lý thuyết thông tin làm thước đo thay thế cho MSE/RMSE trong việc phân loại hiệu suất các mô hình dự báo chuỗi thời gian, đặc biệt khi các metric truyền thống không còn phân biệt được. Thử nghiệm trên dữ liệu lạm phát cho thấy entropy giúp tách biệt hiệu suất mô hình tốt hơn, nhưng phương pháp kết hợp (ensemble) dựa trên entropy vẫn cần tối ưu thêm để cạnh tranh về độ chính xác.

Lập trình viên nên đọc bài này để khám phá cách sử dụng spectral entropy thay cho các chỉ số truyền thống trong việc đánh giá và cân bằng mô hình dự báo, giúp tối ưu hóa hiệu quả của các hệ thống ensemble trong các dự án phân tích dữ liệu thời gian thực.

Why Forecasting Infectious Diseases Is Harder Than Predicting Sales (And What Data Scientists Can Learn From It)

Forecasting infectious disease activity differs fundamentally from typical time-series problems like retail sales. Key lessons include: model performance varies significantly by country due to differing epidemiology; strongly seasonal diseases are paradoxically harder to forecast because peak timing and magnitude must all be correct; standard metrics like RMSE can mask critical errors in public health contexts; domain-informed feature engineering often outperforms algorithm-switching; and anomaly detection complements forecasting to catch unexpected divergences. The broader takeaway for data scientists is to shift focus from 'which model' to questions about validation strategy, meaningful metrics, adaptive pipelines, and knowing when a model is wrong.

Time-Series LLMs, Explained with t0-alpha

t0-alpha is a 102M-parameter open-weights probabilistic time-series forecaster from The Forecasting Company, released under Apache-2.0. It uses a decoder-style patch transformer: raw series are split into 32-step patches, embedded, and processed through causal attention layers to emit quantile forecasts rather than a single point estimate. Benchmarked on GIFT-Eval (97 tasks, 55 datasets), t0-alpha achieves CRPS 0.4941 and MASE 0.7240, beating all classical baselines and sitting in a competitive cluster with larger models like Chronos-2 and TimesFM-2.5. The post explains the two types of time-series LLMs, evaluates where t0-alpha excels (broad consistency, high-frequency heterogeneous data) and where it fails (long-horizon multivariate observability data), and discusses open problems including leakage control, calibration, routing/ensembles, stronger classical baselines, and simulator-trained specialist estimators.

Python and LSTM neural network models and CSI 300 and CSI 500 stock index forecasts | includes AI agents, code, and data

A walkthrough of building an LSTM neural network model in Python (using Keras) to forecast the CSI 300 and CSI 500 Chinese stock indices. Covers 16 years of daily trading data (2008–2024), data preprocessing with Z-Score normalization, a single-hidden-layer LSTM architecture with 50 neurons, Adam optimizer, Dropout regularization, and RMSE/MAE evaluation. The model achieves ~2.11% MAPE on CSI 300 and ~2.41% on CSI 500, and generates 10-day forward price forecasts. The article also discusses model limitations (missing macro/sentiment features, black swan sensitivity, manual hyperparameter tuning) and improvement directions including attention mechanisms, CNN-LSTM hybrids, and ensemble learning.

FirstQFM Reports Quantum Forecasting Results Using NVIDIA CUDA-Q FirstQFM Reports Quantum Forecasting Results Using NVIDIA CUDA-Q

FirstQFM công bố tại ISC 2026 rằng hệ thống Quantum Reservoir Computing (QRC) của họ đạt tỷ lệ thắng 56,1% ở cấp độ chuỗi so với các mô hình nền tảng cổ điển hàng đầu trong dự báo chuỗi thời gian tài chính zero-shot. Được xây dựng trên Quantum Foundation Models riêng và chạy trên NVIDIA CUDA-Q, cuQuantum, cuTensorNet, hệ thống này được mở rộng trên siêu máy tính Leonardo, vượt trội so với các mô hình dự báo AI của Google, Salesforce và Amazon trên phần cứng NISQ-era.

Lập trình viên nên đọc bài này để hiểu cách kết hợp các công nghệ lượng tử và GPU hiện đại như CUDA-Q và cuTensorNet để xây dựng mô hình dự báo thời gian thực hiệu quả hơn các nền tảng AI truyền thống, mở ra cơ hội ứng dụng trong các lĩnh vực như tài chính và khoa học dữ liệu.