Fugu-MT 論文翻訳(概要): Correlated daily time series and forecasting in the M4 competition

論文の概要: Correlated daily time series and forecasting in the M4 competition

arxiv url: http://arxiv.org/abs/2003.12796v2
Date: Tue, 31 Mar 2020 12:00:48 GMT
ステータス: 処理完了
システム内更新日: 2022-12-18 23:28:37.966923
Title: Correlated daily time series and forecasting in the M4 competition
Title（参考訳）: M4コンペティションにおける時系列の関連と予測
Authors: Anti Ingel, Novin Shahroudi, Markus K\"angsepp, Andre T\"attar, Viacheslav Komisarenko, Meelis Kull
Abstract要約: 我々は,5つの統計的予測手法のアンサンブルと,相関器と呼ぶ手法を用いた。我々は,データ漏洩をその成功の理由の一つとして認識し,その原因は,時間間隔の異なるテストデータと,元の時系列の品質問題によるものである。
参考スコア（独自算出の注目度）: 1.5386852100353616
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We participated in the M4 competition for time series forecasting and describe here our methods for forecasting daily time series. We used an ensemble of five statistical forecasting methods and a method that we refer to as the correlator. Our retrospective analysis using the ground truth values published by the M4 organisers after the competition demonstrates that the correlator was responsible for most of our gains over the naive constant forecasting method. We identify data leakage as one reason for its success, partly due to test data selected from different time intervals, and partly due to quality issues in the original time series. We suggest that future forecasting competitions should provide actual dates for the time series so that some of those leakages could be avoided by the participants.
Abstract（参考訳）: 我々は,時系列予測のためのM4コンペティションに参加し,本大会の日次予測手法について述べる。我々は,5つの統計的予測手法のアンサンブルと,相関器と呼ぶ手法を用いた。コンペ後のM4オーガナイザが公表した根拠的真理値を用いた振り返り分析により, 相関器が定常予測法よりも多くの利得を担っていることが示された。我々は,データ漏洩を成功の理由の1つとして,異なる時間間隔から選択したテストデータと,元の時系列の品質上の問題を明らかにした。今後の予測競技は,参加者によるリークを回避するために,時系列の実際の日付を提供するべきだと提案する。

関連論文リスト

Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。グラフ深層学習演算子に基づく新しい共形予測手法を導入することにより,この空白を埋める。我々のアプローチは、関連するベンチマークにおいて、正確なカバレッジを提供し、最先端の不確実性定量化をアーカイブする。
論文参考訳（メタデータ） (2025-02-13T16:12:17Z)
Wisdom of the Crowds in Forecasting: Forecast Summarization for Supporting Future Event Prediction [17.021220773165016]
Future Event Prediction (FEP) は、複数のドメインにまたがる需要とアプリケーションの範囲にまたがる重要なアクティビティである。予測方法の1つは、将来についての集合的な意見を収集して集約し、累積的な視点が今後の出来事の可能性を推定する可能性をもたらすように予測することである。本研究では,個々の予測を集約することで,群衆の知恵に基づく今後のイベント予測を支援するために,既存の研究・フレームワークを編成する。
論文参考訳（メタデータ） (2025-02-12T08:35:10Z)
Consistency Checks for Language Model Forecasters [54.62507816753479]
予測器の性能を,論理的に異なる質問に対する予測の整合性の観点から測定する。我々は,一連の基本質問を生成し,これらの質問から整合性チェックをインスタンス化し,予測者の予測を導き,予測の整合性を測定する自動評価システムを構築した。
論文参考訳（メタデータ） (2024-12-24T16:51:35Z)
Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
論文参考訳（メタデータ） (2024-07-02T20:14:32Z)
SMURF-THP: Score Matching-based UnceRtainty quantiFication for Transformer Hawkes Process [76.98721879039559]
SMURF-THPは,変圧器ホークス過程を学習し,予測の不確かさを定量化するスコアベース手法である。具体的には、SMURF-THPは、スコアマッチング目標に基づいて、イベントの到着時刻のスコア関数を学習する。我々は,イベントタイプ予測と到着時刻の不確実性定量化の両方において,広範な実験を行う。
論文参考訳（メタデータ） (2023-10-25T03:33:45Z)
Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
論文参考訳（メタデータ） (2023-10-24T22:59:56Z)
Optimal Latent Space Forecasting for Large Collections of Short Time Series Using Temporal Matrix Factorization [0.0]
複数の手法を評価し、それらの方法の1つを選択することや、最良の予測を生成するためのアンサンブルを選択するのが一般的である。本稿では,低ランク時間行列係数化と潜在時系列上での最適モデル選択を組み合わせることで,短時間の高次元時系列データを予測するためのフレームワークを提案する。
論文参考訳（メタデータ） (2021-12-15T11:39:21Z)
Comparing Sequential Forecasters [35.38264087676121]
2つの予測器を考えてみましょう。それぞれが時間とともに一連のイベントを予測します。オンラインでもポストホックでも、予測と結果がどのように生成されたかの検証不可能な仮定を避けながら、これらの予測をどのように比較すればよいのか? 予測スコアの時間差を推定するための新しい逐次推論手法を提案する。実世界の野球と天気予報機を比較することで,我々のアプローチを実証的に検証する。
論文参考訳（メタデータ） (2021-09-30T22:54:46Z)
Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文参考訳（メタデータ） (2021-06-22T18:29:58Z)
Two-Step Meta-Learning for Time-Series Forecasting Ensemble [1.1278903078792915]
いくつかのメソッドのアンサンブルを使用した予測は、しばしば妥協と見なされる。メタラーニングを用いてこれらの側面を適応的に予測することを提案する。提案手法は12561マイクロ・エコノミック・タイムシリーズで試験された。
論文参考訳（メタデータ） (2020-11-20T18:35:02Z)
Drift-Adjusted And Arbitrated Ensemble Framework For Time Series Forecasting [0.491574468325115]
時系列データの複雑で進化的な性質のため、時系列予測は難しい問題である。あらゆる時系列データに対して普遍的に有効な方法は存在しない。そこで本研究では,そのような分布ドリフトを考慮した再重み付け手法を提案する。
論文参考訳（メタデータ） (2020-03-16T10:21:37Z)

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。