論文の概要: Prediction of adverse events in Afghanistan: regression analysis of time series data grouped not by geographic dependencies

• arxiv url: http://arxiv.org/abs/2002.12211v1
• Date: Thu, 27 Feb 2020 15:58:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 07:36:54.832022
• Title: Prediction of adverse events in Afghanistan: regression analysis of time series data grouped not by geographic dependencies
• Title（参考訳）: アフガニスタンにおける有害事象の予測:地理的依存度ではなく時系列データの回帰分析
• Authors: Krzysztof Fiok (1), Waldemar Karwowski (1), Maciej Wilamowski (2) ((1) University of Central Florida, Department of Industrial Engineering and Management Systems, Orlando, Florida, USA (2) University of Warsaw, Faculty of Economic Sciences, Warsaw, Poland)
• Abstract要約: 本研究は、アフガニスタンの戦域に関する高度にバランスの取れないデータに対する、困難な回帰課題にアプローチすることであった。 アフガニスタンの400地区ごとに、投資に関する歴史的データと負の事象の正確な性質を区別することなく、負の事象数を予測することに注力した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The aim of this study was to approach a difficult regression task on highly unbalanced data regarding active theater of war in Afghanistan. Our focus was set on predicting the negative events number without distinguishing precise nature of the events given historical data on investment and negative events per each of predefined 400 Afghanistan districts. In contrast with previous research on the matter, we propose an approach to analysis of time series data that benefits from non-conventional aggregation of these territorial entities. By carrying out initial exploratory data analysis we demonstrate that dividing data according to our proposal allows to identify strong trend and seasonal components in the selected target variable. Utilizing this approach we also tried to estimate which data regarding investments is most important for prediction performance. Based on our exploratory analysis and previous research we prepared 5 sets of independent variables that were fed to 3 machine learning regression models. The results expressed by mean absolute and mean square errors indicate that leveraging historical data regarding target variable allows for reasonable performance, however unfortunately other proposed independent variables does not seem to improve prediction quality.
• Abstract（参考訳）: 本研究の目的は、アフガニスタンの戦域に関する高度にバランスの取れないデータに対する、困難な回帰課題にアプローチすることであった。 アフガニスタンの400地区ごとに、投資と負の出来事に関する歴史的データから得られる出来事の正確な性質を区別せずに、負の事象数を予測することに注力した。 これまでの研究とは対照的に,これらの領域の非慣習的集約から利益を得る時系列データ分析へのアプローチを提案する。 初期の探索データ分析を行うことで,提案手法に従ってデータを分割することで,選択した対象変数の強い傾向や季節成分を識別できることを示す。 このアプローチを利用することで、予測性能においてどの投資に関するデータがもっとも重要であるかを推定しようとした。 探索分析と先行研究に基づいて,3つの機械学習回帰モデルに与えた独立変数5セットを作成した。 平均絶対誤差と平均二乗誤差によって表される結果は、対象変数に関する履歴データを活用することで妥当な性能が得られることを示しているが、残念ながら他の提案された独立変数は予測品質を向上しないようである。

関連論文リスト

• Evidential time-to-event prediction model with well-calibrated uncertainty estimation [12.446406577462069]
  本稿では,特に時間-時間予測タスクのために設計された明らかな回帰モデルを提案する。 最も確実な事象時間は、集約されたガウスランダムファジィ数(GRFN)によって直接定量化される 我々のモデルは精度と信頼性の両方を達成し、最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-11-12T15:06:04Z)
• Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
  本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。 限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• The impact of data set similarity and diversity on transfer learning success in time series forecasting [0.3110769442802434]
  本研究では,ソースターゲットの類似性とソースの多様性が精度,バイアス,不確実性評価といった予測結果に与える影響について検討する。 トレーニング済みのニューラルネットワークを5つのオープンソースデータセットにわたって使用し、実世界の包括的データを含む5つのターゲットデータセットの予測に使用しています。 特徴に基づく類似度と多様性の2つの尺度を同定し、ソースターゲットの類似度が予測バイアスを減少させるのに対し、ソースの多様性は予測精度と不確実性の推定を改善するが、バイアスを増大させる。
  論文  参考訳（メタデータ） (2024-04-09T10:41:59Z)
• Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting [0.0]
  本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。 GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。 これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
  論文  参考訳（メタデータ） (2024-02-23T06:09:45Z)
• Do We Really Even Need Data? [2.3749120526936465]
  研究者は、事前学習されたアルゴリズムの予測を結果変数として利用している。 推測のための標準的なツールは、真で観測されていない結果が予測された値に置き換えられたときに、独立変数と利害関係の関連性を誤って表現することができる。
  論文  参考訳（メタデータ） (2024-01-14T23:19:21Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
  ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。 本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
  論文  参考訳（メタデータ） (2022-08-16T08:03:30Z)
• Conformal prediction for the design problem [72.14982816083297]
  機械学習の現実的な展開では、次にテストすべきデータを選択するために予測アルゴリズムを使用します。 このような設定では、トレーニングデータとテストデータの間には、異なるタイプの分散シフトがある。 このような環境で予測の不確実性を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2022-02-08T02:59:12Z)
• Selecting the suitable resampling strategy for imbalanced data classification regarding dataset properties [62.997667081978825]
  医学、情報検索、サイバーセキュリティ、ソーシャルメディアなどの多くのアプリケーションドメインでは、分類モデルの導入に使用されるデータセットは、各クラスのインスタンスの不平等な分布を持つことが多い。 この状況は不均衡データ分類と呼ばれ、少数民族の例では予測性能が低い。 オーバーサンプリングとアンダーサンプリングの技術は、各クラスの例の数とバランスをとることでこの問題に対処する、よく知られた戦略である。
  論文  参考訳（メタデータ） (2021-12-15T18:56:39Z)
• State-Space Models Win the IEEE DataPort Competition on Post-covid Day-ahead Electricity Load Forecasting [0.0]
  我々は、電力需要予測競争の勝利戦略を提示する。 この競争は、2020年春に始まるような不安定な期間の新しい予測方法を設計するために組織された。 私たちは、標準的な統計モデルと機械学習モデルを適用するために、ステートスペースモデルに依存しています。
  論文  参考訳（メタデータ） (2021-10-01T11:57:37Z)
• Counterfactual Predictions under Runtime Confounding [74.90756694584839]
  本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。 本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T15:49:05Z)

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。