Fugu-MT 論文翻訳(概要): Seasonal and Trend Forecasting of Tourist Arrivals: An Adaptive Multiscale Ensemble Learning Approach

論文の概要: Seasonal and Trend Forecasting of Tourist Arrivals: An Adaptive Multiscale Ensemble Learning Approach

arxiv url: http://arxiv.org/abs/2002.08021v2
Date: Tue, 10 Mar 2020 13:37:10 GMT
ステータス: 処理完了
システム内更新日: 2022-12-30 14:39:05.471209
Title: Seasonal and Trend Forecasting of Tourist Arrivals: An Adaptive Multiscale Ensemble Learning Approach
Title（参考訳）: 観光客到着の季節予測と傾向予測--適応型マルチスケールアンサンブル学習アプローチ
Authors: Shaolong Suna, Dan Bi, Ju-e Guo, Shouyang Wang
Abstract要約: 本稿では,観光客の季節・トレンド予測のための適応型マルチスケール・アンサンブル(AME)学習手法を提案する。提案手法は,本研究で用いた他のベンチマークと比較して,高いレベルの予測精度と方向性予測精度を実現することができる。
参考スコア（独自算出の注目度）: 2.552090781387889
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The accurate seasonal and trend forecasting of tourist arrivals is a very challenging task. In the view of the importance of seasonal and trend forecasting of tourist arrivals, and limited research work paid attention to these previously. In this study, a new adaptive multiscale ensemble (AME) learning approach incorporating variational mode decomposition (VMD) and least square support vector regression (LSSVR) is developed for short-, medium-, and long-term seasonal and trend forecasting of tourist arrivals. In the formulation of our developed AME learning approach, the original tourist arrivals series are first decomposed into the trend, seasonal and remainders volatility components. Then, the ARIMA is used to forecast the trend component, the SARIMA is used to forecast seasonal component with a 12-month cycle, while the LSSVR is used to forecast remainder volatility components. Finally, the forecasting results of the three components are aggregated to generate an ensemble forecasting of tourist arrivals by the LSSVR based nonlinear ensemble approach. Furthermore, a direct strategy is used to implement multi-step-ahead forecasting. Taking two accuracy measures and the Diebold-Mariano test, the empirical results demonstrate that our proposed AME learning approach can achieve higher level and directional forecasting accuracy compared with other benchmarks used in this study, indicating that our proposed approach is a promising model for forecasting tourist arrivals with high seasonality and volatility.
Abstract（参考訳）: 観光客の到着の正確な季節予測と傾向予測は、非常に難しい課題である。来訪者の季節・傾向予測の重要性を念頭において、限定的な研究がこれらに注意を向けた。本研究では,観光客到着の短期・中・長期の季節・傾向予測のための変分モード分解 (vmd) と最小二乗支持ベクトル回帰 (lssvr) を組み込んだ適応型マルチスケールアンサンブル (ame) 学習手法を開発した。開発したame学習手法の定式化において,本シリーズは,まず傾向,季節,残りのボラティリティ成分に分解される。次に、ARIMAはトレンド成分の予測に使用され、SARIMAは12ヶ月周期で季節成分の予測に使用され、LSSVRは残りの変動成分の予測に使用される。最後に, 3つのコンポーネントの予測結果を集約し, LSSVRに基づく非線形アンサンブル手法により, 旅行者の到着を予測したアンサンブルを生成する。さらに、マルチステップアヘッド予測を実装するために直接戦略を用いる。 2つの精度測定とDiebold-Marianoテストから,本研究で使用した他のベンチマークと比較すると,AME学習手法が高度かつ指向性予測の精度を達成できることが実証された。

関連論文リスト

Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
論文参考訳（メタデータ） (2024-06-12T11:50:51Z)
Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文参考訳（メタデータ） (2024-02-06T21:28:42Z)
ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文参考訳（メタデータ） (2024-02-02T10:34:13Z)
Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
論文参考訳（メタデータ） (2023-05-02T14:34:34Z)
Beyond Ensemble Averages: Leveraging Climate Model Ensembles for Subseasonal Forecasting [10.083361616081874]
本研究では,機械学習モデル(ML)を時系列予測のための後処理ツールとして応用することを検討した。相対湿度, 海面圧力, 地電位高さなど, タグ付き数値アンサンブル予測および観測データをML法に取り入れた。回帰、量子レグレッション、tercile 分類タスクでは、線形モデル、ランダムフォレスト、畳み込みニューラルネットワーク、および積み重ねモデルを用いて検討する。
論文参考訳（メタデータ） (2022-11-29T01:11:04Z)
Beyond S-curves: Recurrent Neural Networks for Technology Forecasting [60.82125150951035]
我々は機械学習と時系列予測の最近の進歩を生かしたオートコーダアプローチを開発した。 S曲線予測は、単純なARIMAベースラインに匹敵する平均パーセンテージ誤差(MAPE)を示す。我々のオートエンコーダアプローチは、2番目に高い結果に対して平均13.5%改善する。
論文参考訳（メタデータ） (2022-11-28T14:16:22Z)
Feature-weighted Stacking for Nonseasonal Time Series Forecasts: A Case Study of the COVID-19 Epidemic Curves [0.0]
本研究では,非シーズン時間帯での利用可能性について,予測におけるアンサンブル手法について検討する。予備予測段階における予測能力を証明する2つの予測モデルと2つのメタ機能からなる重畳アンサンブルを用いて遅延データ融合を提案する。
論文参考訳（メタデータ） (2021-08-19T14:44:46Z)
Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文参考訳（メタデータ） (2021-01-31T06:49:33Z)
Improving seasonal forecast using probabilistic deep learning [1.1988695717766686]
我々は,季節予測能力と予測診断力を高めるための確率論的ディープニューラルネットワークモデルを開発した。気候シミュレーションで符号化された複雑な物理的関係を活用することで、我々のモデルは好ましい決定論的および確率論的スキルを示す。季節変動の支配的なモードであるエルニーニョ/南部の振動が、世界の季節予測可能性をどのように調節するかについて、より決定的な答えを与える。
論文参考訳（メタデータ） (2020-10-27T21:02:26Z)
AdaEnsemble Learning Approach for Metro Passenger Flow Forecasting [4.415977307120616]
本稿では,首都圏の交通量を予測するための適応型アンサンブル(AdaEnsemble)学習手法を提案する。これは、変動モード分解(VMD)、季節的自己回帰統合移動平均(SARIMA)、多層パーセプトロンネットワーク(MLP)、長期記憶(LSTM)ネットワークの相補的な利点を組み合わせたものである。提案したAdaEnsembleラーニングアプローチは,最先端モデルと比較して最高の予測性能を持つだけでなく,深セン地下鉄における歴史的乗客フローデータに基づいて,最も有望かつ堅牢であると考えられる。
論文参考訳（メタデータ） (2020-02-18T14:18:53Z)
Machine learning for total cloud cover prediction [0.0]
本稿では,多層パーセプトロン(MLP)ニューラルネットワーク,勾配促進機(GBM)およびランダムフォレスト(RF)法を用いた後処理の性能について検討する。生のアンサンブルと比較して、全ての校正法は予測スキルを著しく向上させる。 RFモデルは予測性能が最小となる一方、POLRとGBMのアプローチは最良である。
論文参考訳（メタデータ） (2020-01-16T17:13:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。