論文の概要: Forecasting with sktime: Designing sktime's New Forecasting API and
Applying It to Replicate and Extend the M4 Study
- arxiv url: http://arxiv.org/abs/2005.08067v2
- Date: Mon, 8 Jun 2020 17:57:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 12:58:21.791928
- Title: Forecasting with sktime: Designing sktime's New Forecasting API and
Applying It to Replicate and Extend the M4 Study
- Title（参考訳）: sktimeによる予測:sktimeの新しい予測APIの設計とM4研究の再現と拡張への応用
- Authors: Markus L\"oning, Franz Kir\'aly
- Abstract要約: 我々はPythonで予測を行うための新しいオープンソースフレームワークを提案する。
私たちのフレームワークは、Scikit-learn互換インターフェースを備えた時系列のより一般的な機械学習ツールボックスであるsktimeの一部を形成しています。
- 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: We present a new open-source framework for forecasting in Python. Our
framework forms part of sktime, a more general machine learning toolbox for
time series with scikit-learn compatible interfaces for different learning
tasks. Our new framework provides dedicated forecasting algorithms and tools to
build, tune and evaluate composite models. We use sktime to both replicate and
extend key results from the M4 forecasting study. In particular, we further
investigate the potential of simple off-the-shelf machine learning approaches
for univariate forecasting. Our main results are that simple hybrid approaches
can boost the performance of statistical models, and that simple pure
approaches can achieve competitive performance on the hourly data set,
outperforming the statistical algorithms and coming close to the M4 winner.
- Abstract（参考訳）: 我々はPythonで予測を行うための新しいオープンソースフレームワークを提案する。
私たちのフレームワークは、Scikit-learn互換インターフェースを備えた時系列のより一般的な機械学習ツールボックスであるsktimeの一部である。
新しいフレームワークは、コンポジットモデルを構築し、調整し、評価する専用の予測アルゴリズムとツールを提供します。
M4予測結果の再現と拡張にはsktimeを使用します。
特に,単変量予測のための単純なオフザシェルフ機械学習手法の可能性について検討する。
私たちの主な結果は、単純なハイブリッドアプローチが統計モデルのパフォーマンスを向上し、単純な純粋なアプローチが時間単位のデータセットで競争力のあるパフォーマンスを達成し、統計アルゴリズムを上回ってm4の勝者に近づきます。
関連論文リスト
- Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
コンテキスト・イズ・キー (Context is Key) (CiK) は、時系列予測ベンチマークであり、様々な種類のテキストコンテキストと数値データをペアリングする。
我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。
実験では、文脈情報の導入の重要性を強調し、LLMに基づく予測モデルを用いた場合の驚くべき性能を示すとともに、それらの重要な欠点を明らかにした。
論文 参考訳（メタデータ） (2024-10-24T17:56:08Z) - 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) - Chronos: Learning the Language of Time Series [79.38691251254173]
Chronosは事前訓練された確率的時系列モデルのためのフレームワークである。
クロノスモデルでは,様々な領域の時系列データを利用して,未知の予測タスクにおけるゼロショット精度を向上させることができることを示す。
論文 参考訳（メタデータ） (2024-03-12T16:53:54Z) - AutoGluon-TimeSeries: AutoML for Probabilistic Time Series Forecasting [80.14147131520556]
AutoGluon-TimeSeriesは、確率的時系列予測のためのオープンソースのAutoMLライブラリである。
3行のPythonコードで正確なポイントと量子予測を生成する。
論文 参考訳（メタデータ） (2023-08-10T13:28:59Z) - EAMDrift: An interpretable self retrain model for time series [0.0]
EAMDrift(EAMDrift)は、複数の個人予測器から予測を合成し、性能指標に従って予測を重み付けする新しい手法である。
EAMDriftはデータのアウト・オブ・ディストリビューションパターンに自動的に適応し、各瞬間に使用する最も適切なモデルを特定するように設計されている。
本研究は,EAMDriftが個々のベースラインモデルより20%優れ,非解釈可能なアンサンブルモデルに匹敵する精度が得られることを示す。
論文 参考訳（メタデータ） (2023-05-31T13:25:26Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳（メタデータ） (2021-10-26T20:41:19Z) - Sparse MoEs meet Efficient Ensembles [49.313497379189315]
このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。
Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
論文 参考訳（メタデータ） (2021-10-07T11:58:35Z) - Ensembles of Randomized NNs for Pattern-based Time Series Forecasting [0.0]
本稿では,ランダム化ニューラルネットワークに基づくアンサンブル予測手法を提案する。
時系列のパターンに基づく表現は、複数の季節の時系列を予測するのに適している。
4つの実世界の予測問題に対するケーススタディにより,提案手法の有効性と性能が検証された。
論文 参考訳（メタデータ） (2021-07-08T20:13:50Z) - An Accurate and Fully-Automated Ensemble Model for Weekly Time Series
Forecasting [9.617563440471928]
本稿では,最先端の予測技術を活用した予測手法を提案する。
異なるメタ学習アーキテクチャ、アルゴリズム、ベースモデルプールについて検討する。
提案手法は、一連のベンチマークと最先端の週次予測モデルより一貫して優れている。
論文 参考訳（メタデータ） (2020-10-16T04:29:09Z) - Supervised learning from noisy observations: Combining machine-learning
techniques with data assimilation [0.6091702876917281]
本稿では,予測モデルと固有不確かさを,入射雑音観測と最適に組み合わせる方法について述べる。
得られた予測モデルは、訓練後、計算的に安価であると同時に、極めて優れた予測能力を有することを示す。
本手法は,予測タスクを超えて,確率的予測のための信頼性の高いアンサンブルを生成するとともに,マルチスケールシステムにおける効果的なモデルクロージャを学習するためにも有効であることを示す。
論文 参考訳（メタデータ） (2020-07-14T22:29:37Z) - For2For: Learning to forecast from forecasts [1.6752182911522522]
本稿では,標準予測手法と機械学習モデルを組み合わせた時系列予測フレームワークを提案する。
M4コンペティションデータセットでテストされたこのアプローチは、四半期シリーズの全ての応募よりも優れており、月次シリーズの受賞アルゴリズム以外のすべてのものよりも正確である。
論文 参考訳（メタデータ） (2020-01-14T03:06:53Z)
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。