Modeling and Stochastic Learning for Forecasting in High Dimensions

فصول این جلد بر نیاز به پیشرفت در درک نظری برای همراهی با کاربرد عملی گسترده پیش‌بینی در صنعت تأکید می‌کند. پیش‌بینی و پیش‌بینی سری‌های زمانی در چند دهه اخیر مورد توجه قابل توجهی قرار گرفته است، که توسط پیشرفت‌های چشمگیر در قابلیت‌های مشاهده‌ای و روش‌های اندازه‌گیری تقویت شده است. در تاریخ 5 تا 7 ژوئن 2013، یک کارگاه بین المللی در مورد شیوه های صنعت برای پیش بینی در پاریس، فرانسه برگزار شد که توسط بخش تحقیق و توسعه OSIRIS اداره Electricité de France سازماندهی و پشتیبانی شد. مطابق با سنت، هم نتایج آماری نظری و هم مشارکت‌های عملی در این زمینه فعال تحقیقات آماری و مسائل پیش‌بینی در یک محیط صنعتی به سرعت در حال تحول ارائه شده‌اند. این جلد، طیف وسیعی از کنفرانس، شامل 16 مقاله ارائه شده توسط متخصصان در زمینه های مختلف را منعکس می کند. مطالب گردآوری شده دامنه وسیعی دارد و از یافته‌های جدید در مورد پیش‌بینی در صنعت و در سری‌های زمانی، روش‌های ناپارامتریک و عملکردی و یادگیری ماشین آنلاین برای پیش‌بینی تا آخرین پیشرفت‌ها در ابزارهایی برای تجزیه و تحلیل داده‌های با ابعاد بالا و پیچیده را شامل می‌شود.

The chapters in this volume stress the need for advances in theoretical understanding to go hand-in-hand with the widespread practical application of forecasting in industry. Forecasting and time series prediction have enjoyed considerable attention over the last few decades, fostered by impressive advances in observational capabilities and measurement procedures. On June 5-7, 2013, an international Workshop on Industry Practices for Forecasting was held in Paris, France, organized and supported by the OSIRIS Department of Electricité de France Research and Development Division. In keeping with tradition, both theoretical statistical results and practical contributions on this active field of statistical research and on forecasting issues in a rapidly evolving industrial environment are presented. The volume reflects the broad spectrum of the conference, including 16 articles contributed by specialists in various areas. The material compiled is broad in scope and ranges from new findings on forecasting in industry and in time series, on nonparametric and functional methods and on on-line machine learning for forecasting, to the latest developments in tools for high dimension and complex data analysis.