論文の概要: A machine learning approach for forecasting hierarchical time series
- arxiv url: http://arxiv.org/abs/2006.00630v2
- Date: Mon, 3 May 2021 14:13:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 12:22:15.128630
- Title: A machine learning approach for forecasting hierarchical time series
- Title（参考訳）: 階層的時系列予測のための機械学習手法
- Authors: Paolo Mancuso, Veronica Piccialli, Antonio M. Sudoso
- Abstract要約: 階層時系列を予測するための機械学習手法を提案する。
予測整合は予測を調整し、階層をまたいで一貫性を持たせるプロセスである。
我々は、階層構造をキャプチャする情報を抽出するディープニューラルネットワークの能力を利用する。
- 参考スコア（独自算出の注目度）: 4.157415305926584
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a machine learning approach for forecasting
hierarchical time series. When dealing with hierarchical time series, apart
from generating accurate forecasts, one needs to select a suitable method for
producing reconciled forecasts. Forecast reconciliation is the process of
adjusting forecasts to make them coherent across the hierarchy. In literature,
coherence is often enforced by using a post-processing technique on the base
forecasts produced by suitable time series forecasting methods. On the
contrary, our idea is to use a deep neural network to directly produce accurate
and reconciled forecasts. We exploit the ability of a deep neural network to
extract information capturing the structure of the hierarchy. We impose the
reconciliation at training time by minimizing a customized loss function. In
many practical applications, besides time series data, hierarchical time series
include explanatory variables that are beneficial for increasing the
forecasting accuracy. Exploiting this further information, our approach links
the relationship between time series features extracted at any level of the
hierarchy and the explanatory variables into an end-to-end neural network
providing accurate and reconciled point forecasts. The effectiveness of the
approach is validated on three real-world datasets, where our method
outperforms state-of-the-art competitors in hierarchical forecasting.
- Abstract（参考訳）: 本稿では,階層的時系列予測のための機械学習手法を提案する。
階層的時系列を扱う場合、正確な予測を生成すること以外は、調整された予測を生成するための適切な方法を選択する必要がある。
予測整合は予測を調整し、階層をまたいで一貫性を持たせるプロセスである。
文献では、適切な時系列予測法によって生成されたベース予測に対して、後処理技術を用いてコヒーレンスを強制することが多い。
逆に私たちの考えは、ディープニューラルネットワークを使って、正確で整合した予測を直接生成することです。
我々は、階層構造をキャプチャする情報を抽出するディープニューラルネットワークの能力を利用する。
我々は,カスタマイズした損失関数を最小化することにより,トレーニング時に和解を課す。
多くの実践的応用において、時系列データ以外に、階層的時系列は予測精度を高めるのに役立つ説明変数を含む。
提案手法は,階層の任意のレベルで抽出された時系列特徴と説明変数の関係を,高精度で整合的な点予測を提供するエンドツーエンドニューラルネットワークに関連付ける。
この手法の有効性は3つの実世界のデータセットで検証され,本手法は階層的予測において最先端の競合より優れている。
関連論文リスト
- Hierarchical Forecasting at Scale [55.658563862299495]
既存の階層予測技術は、時系列の数が増加するとスケールが低下する。
我々は,1つのボトムレベル予測モデルを用いて,数百万の時系列のコヒーレントな予測を学習することを提案する。
欧州の大規模なeコマースプラットフォームであるbolの既存の予測モデルにおいて、スパース階層的損失関数を実装した。
論文 参考訳（メタデータ） (2023-10-19T15:06:31Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2023-10-17T20:30:16Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2022-06-16T06:13:53Z) - 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) - 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) - Hierarchically Regularized Deep Forecasting [18.539846932184012]
本稿では,グローバルな時系列集合に沿って時系列を分解した階層予測のための新しい手法を提案する。
過去の手法とは異なり、我々の手法は時系列予測の一貫性を維持しつつ、推論時にスケーラブルである。
論文 参考訳（メタデータ） (2021-06-14T17:38:16Z) - Representation Learning for Sequence Data with Deep Autoencoding
Predictive Components [96.42805872177067]
本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。
我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。
提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
論文 参考訳（メタデータ） (2020-10-07T03:34:01Z) - Prediction of hierarchical time series using structured regularization
and its application to artificial neural networks [4.696083734269231]
本稿では,各上位時系列を適切な下位時系列を和らげて計算する階層時系列の予測について論じる。
このような階層的時系列の予測はコヒーレントでなければならない。つまり、上位級時系列の予測は対応する下位級時系列の予測の総和と等しい。
論文 参考訳（メタデータ） (2020-07-30T00:30:32Z) - Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。
ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。
我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文 参考訳（メタデータ） (2020-06-20T03:29:02Z) - A clustering approach to time series forecasting using neural networks:
A comparative study on distance-based vs. feature-based clustering methods [1.256413718364189]
動的測定を用いて時系列データを予測するために,様々なニューラルネットワークアーキテクチャを提案する。
また,異常検出やクラスタリングなどの手法が予測精度に与える影響についても検討した。
その結果,クラスタリングは全体の予測時間を改善するとともに,ニューラルネットワークの予測性能を向上させることができることがわかった。
論文 参考訳（メタデータ） (2020-01-27T00:31:37Z)
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。
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。