論文の概要: Hierarchical forecast reconciliation with machine learning
- arxiv url: http://arxiv.org/abs/2006.02043v1
- Date: Wed, 3 Jun 2020 04:49:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 17:35:27.968078
- Title: Hierarchical forecast reconciliation with machine learning
- Title（参考訳）: 機械学習による階層的予測調整
- Authors: Evangelos Spiliotis, Mahdi Abolghasemi, Rob J Hyndman, Fotios
Petropoulos, Vassilios Assimakopoulos
- Abstract要約: 本稿では,機械学習に基づく新しい階層的予測手法を提案する。
これは、サンプル後の経験的予測精度とコヒーレンスの改善の目的を構造的に組み合わせている。
本研究では,提案手法が既存手法よりも優れた点予測を与えることを示す。
- 参考スコア（独自算出の注目度）: 0.34998703934432673
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hierarchical forecasting methods have been widely used to support aligned
decision-making by providing coherent forecasts at different aggregation
levels. Traditional hierarchical forecasting approaches, such as the bottom-up
and top-down methods, focus on a particular aggregation level to anchor the
forecasts. During the past decades, these have been replaced by a variety of
linear combination approaches that exploit information from the complete
hierarchy to produce more accurate forecasts. However, the performance of these
combination methods depends on the particularities of the examined series and
their relationships. This paper proposes a novel hierarchical forecasting
approach based on machine learning that deals with these limitations in three
important ways. First, the proposed method allows for a non-linear combination
of the base forecasts, thus being more general than the linear approaches.
Second, it structurally combines the objectives of improved post-sample
empirical forecasting accuracy and coherence. Finally, due to its non-linear
nature, our approach selectively combines the base forecasts in a direct and
automated way without requiring that the complete information must be used for
producing reconciled forecasts for each series and level. The proposed method
is evaluated both in terms of accuracy and bias using two different data sets
coming from the tourism and retail industries. Our results suggest that the
proposed method gives superior point forecasts than existing approaches,
especially when the series comprising the hierarchy are not characterized by
the same patterns.
- Abstract（参考訳）: 階層的予測法は、異なる集約レベルでコヒーレントな予測を提供することによって、整合した意思決定を支援するために広く用いられている。
ボトムアップやトップダウンといった従来の階層的予測手法では、特定の集約レベルに注目して予測をアンカーする。
過去数十年間、これらはより正確な予測を生成するために完全な階層からの情報を利用する様々な線形結合アプローチに置き換えられてきた。
しかし,これらの組み合わせ法の性能は,シリーズの特異性とそれらの関係に依存する。
本稿では,これらの制約を3つの重要な方法で扱う機械学習に基づく階層的予測手法を提案する。
まず,提案手法により,ベース予測の非線形結合が可能となり,線形アプローチよりも汎用性が向上した。
第2に、サンプル後予測精度とコヒーレンスの改善目標を構造的に組み合わせる。
最後に, 線形でない性質のため, 本手法では, 各系列とレベルについて, 整合した予測を生成するために, 完全情報を必要とせず, 直接的かつ自動的にベース予測を選択的に組み合わせる。
提案手法は,観光業と小売業の2つの異なるデータセットを用いて,精度とバイアスの両面から評価する。
以上の結果から,提案手法は既存の手法よりも,特に階層を構成する系列が同一のパターンで特徴づけられていない場合,より優れた点予測が得られることが示唆された。
関連論文リスト
- 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) - Towards Motion Forecasting with Real-World Perception Inputs: Are
End-to-End Approaches Competitive? [93.10694819127608]
実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。
我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
論文 参考訳（メタデータ） (2023-06-15T17:03:14Z) - Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。
異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。
我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
論文 参考訳（メタデータ） (2023-05-02T14:34:34Z) - End-to-End Modeling Hierarchical Time Series Using Autoregressive
Transformer and Conditional Normalizing Flow based Reconciliation [13.447952588934337]
本研究では, 条件付き正規化フローベース自己回帰変換器の整合に基づく, 終端から終端までの時系列予測モデルを提案する。
他の最先端手法とは異なり、明示的な後処理ステップを必要とせずに予測と和解を同時に達成する。
論文 参考訳（メタデータ） (2022-12-28T05:43:57Z) - 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) - Optimal reconciliation with immutable forecasts [9.25906680708985]
我々は、変数の既定部分集合の予測が変化しない、あるいは「不変」であるような調整手法を定式化する。
我々は,我々のアプローチがベース予測の偏りを保っていることを証明した。
また,予測誤差の相関を考慮し,予測の非負性を保証する。
論文 参考訳（メタデータ） (2022-04-20T05:23:31Z) - Aggregating distribution forecasts from deep ensembles [0.0]
本稿では,ディープアンサンブルのための一般的な量子集約フレームワークを提案する。
深層アンサンブルからの予測分布を組み合わせることで,予測性能を大幅に向上できることを示す。
論文 参考訳（メタデータ） (2022-04-05T15:42:51Z) - Long Range Probabilistic Forecasting in Time-Series using High Order
Statistics [19.12411040726229]
本稿では,ベースレベルとアグリゲーション統計量で一致した予測を生成する新しい確率予測手法を提案する。
提案手法は,3つの領域にまたがる実際のデータセットにおいて,ベースレベルと非表示アグリゲーションの両方で予測性能を向上することを示す。
論文 参考訳（メタデータ） (2021-11-05T11:10:35Z) - Model selection in reconciling hierarchical time series [2.705025060422369]
本稿では,最も適切な階層的予測手法を動的に選択する手法を提案する。
このアプローチは機械学習の分類法に基づいており、時系列機能を主要な指標として利用する。
本結果は,条件付き階層予測が標準手法よりもはるかに正確な予測につながることを示唆している。
論文 参考訳（メタデータ） (2020-10-21T03:40:35Z) - Combining Task Predictors via Enhancing Joint Predictability [53.46348489300652]
そこで本研究では,目標予測能力に基づいて参照の関連性を測定し,その関連性を高めるための新しい予測器組合せアルゴリズムを提案する。
提案アルゴリズムはベイズフレームワークを用いて,すべての参照の関連性について共同で評価する。
視覚属性ランキングとマルチクラス分類シナリオから得られた実世界の7つのデータセットの実験に基づいて,本アルゴリズムが性能向上に寄与し,既存の予測器の組み合わせアプローチの適用範囲を広くすることを示した。
論文 参考訳（メタデータ） (2020-07-15T21:58:39Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳（メタデータ） (2020-05-21T16:08:38Z)
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。