論文の概要: A New Unified Deep Learning Approach with
Decomposition-Reconstruction-Ensemble Framework for Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2002.09695v1
- Date: Sat, 22 Feb 2020 12:57:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 19:12:42.596339
- Title: A New Unified Deep Learning Approach with
Decomposition-Reconstruction-Ensemble Framework for Time Series Forecasting
- Title（参考訳）: 時系列予測のための分解・再構成・アンサンブル・フレームワークを用いた新しい統合ディープラーニング手法
- Authors: Guowei Zhang, Tao Ren, and Yifan Yang
- Abstract要約: 本稿では,新しい変分モード分解(VMD)に基づくディープラーニング手法を提案する。
CNNは分解したサブシグナーの再構成パターンを学習し、いくつかのサブシグナーを得る。
長い短期記憶(LSTM)ネットワークを用いて、分解されたサブシグナルと再構成されたサブシグナルを入力として時系列を予測する。
- 参考スコア（独自算出の注目度）: 15.871046608998995
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A new variational mode decomposition (VMD) based deep learning approach is
proposed in this paper for time series forecasting problem. Firstly, VMD is
adopted to decompose the original time series into several sub-signals. Then, a
convolutional neural network (CNN) is applied to learn the reconstruction
patterns on the decomposed sub-signals to obtain several reconstructed
sub-signals. Finally, a long short term memory (LSTM) network is employed to
forecast the time series with the decomposed sub-signals and the reconstructed
sub-signals as inputs. The proposed VMD-CNN-LSTM approach is originated from
the decomposition-reconstruction-ensemble framework, and innovated by embedding
the reconstruction, single forecasting, and ensemble steps in a unified deep
learning approach. To verify the forecasting performance of the proposed
approach, four typical time series datasets are introduced for empirical
analysis. The empirical results demonstrate that the proposed approach
outperforms consistently the benchmark approaches in terms of forecasting
accuracy, and also indicate that the reconstructed sub-signals obtained by CNN
is of importance for further improving the forecasting performance.
- Abstract（参考訳）: 本稿では,時系列予測問題に対する新しい変分モード分解(vmd)に基づく深層学習手法を提案する。
まず、VMDは元の時系列をいくつかのサブシグナルに分解するために使用される。
そして、畳み込みニューラルネットワーク(CNN)を適用して、分解されたサブシグナルの再構成パターンを学習し、いくつかの再構成サブシグナルを得る。
最後に、分割されたサブシグナーと再構成されたサブシグナーを入力として時系列を予測するために、長期記憶(LSTM)ネットワークを用いる。
提案したVMD-CNN-LSTMアプローチは,再構成,単一予測,アンサンブルステップを統合ディープラーニングアプローチに組み込むことで,分解・再構成・アンサンブルフレームワークから導かれる。
提案手法の予測性能を検証するために,経験的解析のために4つの典型的な時系列データセットを導入する。
実験の結果,提案手法は予測精度においてベンチマーク手法よりも優れており,また,CNNによって得られた再構成サブシグナルが予測性能の向上に重要であることを示す。
関連論文リスト
- Recurrent Stochastic Configuration Networks for Temporal Data Analytics [3.8719670789415925]
本稿では,問題解決のためのコンフィグレーションネットワーク(RSCN)のリカレントバージョンを開発する。
我々は、初期RCCNモデルを構築し、その後、オンラインで出力重みを更新する。
数値的な結果は,提案したRCCNが全データセットに対して良好に動作することを示す。
論文 参考訳（メタデータ） (2024-06-21T03:21:22Z) - Embedded feature selection in LSTM networks with multi-objective
evolutionary ensemble learning for time series forecasting [49.1574468325115]
本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。
本手法はLSTMの重みと偏りを分割的に最適化する。
イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
論文 参考訳（メタデータ） (2023-12-29T08:42:10Z) - A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。
自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。
時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
論文 参考訳（メタデータ） (2023-01-24T08:39:20Z) - Composite FORCE learning of chaotic echo state networks for time-series
prediction [7.650966670809372]
本稿では,初期活動が自然にカオスなESNを学習するための複合Force学習法を提案する。
その結果,従来の手法に比べて学習性能と予測性能が著しく向上することが判明した。
論文 参考訳（メタデータ） (2022-07-06T03:44:09Z) - Scalable computation of prediction intervals for neural networks via
matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。
本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-06T13:18:31Z) - Towards performant and reliable undersampled MR reconstruction via
diffusion model sampling [67.73698021297022]
DiffuseReconは拡散モデルに基づく新しいMR再構成法である。
観測された信号に基づいて生成過程を導出する。
特定の加速因子に関する追加の訓練は必要としない。
論文 参考訳（メタデータ） (2022-03-08T02:25:38Z) - Meta-Forecasting by combining Global DeepRepresentations with Local
Adaptation [12.747008878068314]
メタグローバルローカル自動回帰(Meta-GLAR)と呼ばれる新しい予測手法を導入する。
それは、リカレントニューラルネットワーク(RNN)によって生成された表現からワンステップアヘッド予測へのマッピングをクローズドフォームで学習することで、各時系列に適応する。
本手法は,先行研究で報告されたサンプル外予測精度において,最先端の手法と競合する。
論文 参考訳（メタデータ） (2021-11-05T11:45:02Z) - Integrating Recurrent Neural Networks with Data Assimilation for
Scalable Data-Driven State Estimation [0.0]
データ同化(DA)は機械学習と統合され、完全にデータ駆動のオンライン状態推定を実行する。
リカレントニューラルネットワーク(RNN)は、数値天気予報(NWP)においてDAサイクルの重要なコンポーネントを置き換えるために代理モデルとして実装される
これらのRNNがDAメソッドを使用して、ターゲットシステムの観測で隠れた/保存状態を直接更新する方法について示す。
論文 参考訳（メタデータ） (2021-09-25T03:56:53Z) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-17T08:28:30Z) - Meta-learning framework with applications to zero-shot time-series
forecasting [82.61728230984099]
この研究は幅広いメタラーニングフレームワークを使って肯定的な証拠を提供する。
残余接続はメタラーニング適応機構として機能する。
我々は、ソースTSデータセット上でニューラルネットワークをトレーニングし、異なるターゲットTSデータセット上で再トレーニングすることなくデプロイできることを示します。
論文 参考訳（メタデータ） (2020-02-07T16:39:43Z) - Error-feedback stochastic modeling strategy for time series forecasting
with convolutional neural networks [11.162185201961174]
本稿では,ランダム畳み込みネットワーク(ESM-CNN)ニューラル時系列予測タスクを構築するための新しいError-feedback Modeling (ESM)戦略を提案する。
提案したESM-CNNは、最先端のランダムニューラルネットワークを上回るだけでなく、トレーニングされた最先端のディープニューラルネットワークモデルと比較して、予測能力と計算オーバーヘッドの低減も実現している。
論文 参考訳（メタデータ） (2020-02-03T13:30:29Z)
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。