論文の概要: Forecasting in Non-stationary Environments with Fuzzy Time Series
- arxiv url: http://arxiv.org/abs/2004.12554v1
- Date: Mon, 27 Apr 2020 02:35:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 04:08:12.970388
- Title: Forecasting in Non-stationary Environments with Fuzzy Time Series
- Title（参考訳）: ファジィ時系列による非定常環境の予測
- Authors: Petr\^onio C\^andido de Lima e Silva, Carlos Alberto Severiano Junior,
Marcos Antonio Alves, Rodrigo Silva, Miri Weiss Cohen, Frederico Gadelha
Guimar\~aes
- Abstract要約: 非定常ファジィ時間列 (NSFGBPTS) 法を提案する。
非定常ファジィ集合を用いて、摂動関数を知識ベースにおけるメンバシップ関数パラメータに適応させる。
提案手法はファジィ集合を動的に適応させて残差誤差に基づいてプロセスの変化を反映することができる。
- 参考スコア（独自算出の注目度）: 0.28001431398159626
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper we introduce a Non-Stationary Fuzzy Time Series (NSFTS) method
with time varying parameters adapted from the distribution of the data. In this
approach, we employ Non-Stationary Fuzzy Sets, in which perturbation functions
are used to adapt the membership function parameters in the knowledge base in
response to statistical changes in the time series. The proposed method is
capable of dynamically adapting its fuzzy sets to reflect the changes in the
stochastic process based on the residual errors, without the need to retraining
the model. This method can handle non-stationary and heteroskedastic data as
well as scenarios with concept-drift. The proposed approach allows the model to
be trained only once and remain useful long after while keeping reasonable
accuracy. The flexibility of the method by means of computational experiments
was tested with eight synthetic non-stationary time series data with several
kinds of concept drifts, four real market indices (Dow Jones, NASDAQ, SP500 and
TAIEX), three real FOREX pairs (EUR-USD, EUR-GBP, GBP-USD), and two real
cryptocoins exchange rates (Bitcoin-USD and Ethereum-USD). As competitor models
the Time Variant fuzzy time series and the Incremental Ensemble were used,
these are two of the major approaches for handling non-stationary data sets.
Non-parametric tests are employed to check the significance of the results. The
proposed method shows resilience to concept drift, by adapting parameters of
the model, while preserving the symbolic structure of the knowledge base.
- Abstract（参考訳）: 本稿では,データ分布から適応した時間変化パラメータを持つ非定常ファジィ時系列(NSFTS)手法を提案する。
本手法では,時系列の統計的変化に応じて知識ベースにおけるメンバシップ関数パラメータを適応させるために摂動関数を用いる非定常ファジィ集合を用いる。
提案手法は,モデルの再学習を必要とせず,残差に基づいて確率過程の変化を反映するようにファジィ集合を動的に適応させることができる。
この方法では、非定常およびヘテロスケダスティックなデータだけでなく、コンセプトドリフトのシナリオも扱える。
提案されたアプローチでは、モデルのトレーニングは一度だけ可能で、適切な正確さを維持しながら、長く有効でなければならない。
この手法の柔軟性は,数種類のコンセプトドリフトを持つ8つの合成非定常時系列データ,Dow Jones,NASDAQ,SP500,TAIEXの4つの実市場指標,EUR-USD,EUR-GBP,GBP-USDの3つの実市場対,および2つの実暗号通貨交換レート(Bitcoin-USD,Ethereum-USD)を用いて検証した。
競合モデルである Time Variant fuzzy 時系列と Incremental Ensemble が使われたため、これらは非定常データセットを扱う主要なアプローチの2つである。
非パラメトリックテストは結果の重要性を確認するために使用される。
提案手法は,知識基盤のシンボル構造を保ちながら,モデルのパラメータを適応させることにより,概念のドリフトに対するレジリエンスを示す。
関連論文リスト
- Point processes with event time uncertainty [16.64005584511643]
ネットワーク上での時間不確実なポイントプロセスのモデル化のためのフレームワークを導入する。
提案手法は,シミュレーションおよび実データに基づく従来のジェネラル線形モデル(GLM)のベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2024-11-05T00:46:09Z) - Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。
絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
論文 参考訳（メタデータ） (2024-10-28T15:54:50Z) - Estimating the Distribution of Parameters in Differential Equations with Repeated Cross-Sectional Data [5.79648227233365]
経済、政治、生物学において、時系列における観測データポイントは独立して取得されることが多い。
微分方程式におけるパラメータ推定の伝統的な手法は、パラメータ分布の形状を推定する際の限界がある。
本稿では,新しい手法,推定手法を提案する。
EPD – データ情報を失うことなくパラメータの正確な分布を提供する。
論文 参考訳（メタデータ） (2024-04-23T10:01:43Z) - Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo
Matching [77.133400999703]
相関に基づくステレオマッチングは優れた性能を達成した。
固定モデルによる現在のメソッドは、さまざまなデータセットで均一に動作しない。
本稿では,ロバストなステレオマッチングのための相関を動的に計算する新しい視点を提案する。
論文 参考訳（メタデータ） (2023-07-26T09:47:37Z) - DynaConF: Dynamic Forecasting of Non-Stationary Time Series [4.286546152336783]
非定常条件分布を時間とともにモデル化する新しい手法を提案する。
我々のモデルは、最先端のディープラーニングソリューションよりも定常的でない時系列に適応できることを示します。
論文 参考訳（メタデータ） (2022-09-17T21:40:02Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳（メタデータ） (2022-02-07T21:37:29Z) - Time varying regression with hidden linear dynamics [74.9914602730208]
線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。
反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
論文 参考訳（メタデータ） (2021-12-29T23:37:06Z) - Learning Non-Stationary Time-Series with Dynamic Pattern Extractions [16.19692047595777]
最先端のアルゴリズムは、定常時間データを扱う上で、優れたパフォーマンスを実現している。
定常時系列に対処する伝統的なアルゴリズムは、Forexトレーディングのような静止しないシリーズには適用されない。
本稿では,非定常時系列列の予測の精度を向上する適用モデルについて検討する。
論文 参考訳（メタデータ） (2021-11-20T10:52:37Z) - Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。
分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。
本手法は精度と不確実性の両方を向上することを示す。
論文 参考訳（メタデータ） (2021-09-27T01:09:08Z) - Deep Switching State Space Model (DS$^3$M) for Nonlinear Time Series
Forecasting with Regime Switching [3.3970049571884204]
本稿では,非線形時系列の効率的な推測と予測を行うための切替状態空間モデル(DS$3$M)を提案する。
レギュラー間のスイッチングは、離散変数と連続変数の両方によって、繰り返しニューラルネットワークによって捉えられる。
論文 参考訳（メタデータ） (2021-06-04T08:25:47Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z)
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。