摘要

时间序列预测是人类面临的一大挑战。传统的预测方法使用均值回归模型，在反映现实世界波动方面存在严重不足。虽然新的概率方法纷纷涌现以解决这些问题，但它们也面临着诸如分位数交叉或选择先验分布等技术难题。为了融合这些领域的不同优势，同时避免其弱点并推动现有技术的边界，我们引入了ForGAN——基于生成对抗网络的一步超前概率预测方法。ForGAN利用条件生成对抗网络的强大能力来学习数据生成分布，并从中计算概率预测。我们讨论了如何将ForGAN与回归方法进行对比评估。为了研究ForGAN的概率预测性能，我们创建了一个新数据集，并在该数据集上展示了我们的方法的能力。该数据集将公开发布以便进行比较。此外，我们在两个公开可用的数据集上测试了ForGAN，即Mackey-Glass数据集和互联网流量数据集（A5M），ForGAN在这两个数据集上的出色表现证明了其在预测未来值方面的强大能力。