論文の概要: Time Series Extrinsic Regression
- arxiv url: http://arxiv.org/abs/2006.12672v3
- Date: Wed, 3 Feb 2021 07:01:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 21:49:17.475834
- Title: Time Series Extrinsic Regression
- Title(参考訳): 時系列外因性回帰
- Authors: Chang Wei Tan, Christoph Bergmeir, Francois Petitjean, Geoffrey I.
Webb
- Abstract要約: Time Series Extrinsic Regression (TSER)は、時系列と連続スカラー変数の関係を学習することを目的とした回帰タスクである。
我々は、TSERデータセット19の新たなアーカイブ上で、既存の解とTSCアルゴリズムの適応をベンチマークする。
以上の結果から,現在最先端のTSCアルゴリズムであるRocketが回帰に適応すると,全体的な精度が最も高いことがわかった。
- 参考スコア(独自算出の注目度): 6.5513221781395465
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper studies Time Series Extrinsic Regression (TSER): a regression task
of which the aim is to learn the relationship between a time series and a
continuous scalar variable; a task closely related to time series
classification (TSC), which aims to learn the relationship between a time
series and a categorical class label. This task generalizes time series
forecasting (TSF), relaxing the requirement that the value predicted be a
future value of the input series or primarily depend on more recent values.
In this paper, we motivate and study this task, and benchmark existing
solutions and adaptations of TSC algorithms on a novel archive of 19 TSER
datasets which we have assembled. Our results show that the state-of-the-art
TSC algorithm Rocket, when adapted for regression, achieves the highest overall
accuracy compared to adaptations of other TSC algorithms and state-of-the-art
machine learning (ML) algorithms such as XGBoost, Random Forest and Support
Vector Regression. More importantly, we show that much research is needed in
this field to improve the accuracy of ML models. We also find evidence that
further research has excellent prospects of improving upon these
straightforward baselines.
- Abstract(参考訳): 本稿では,時系列と連続スカラー変数の関係を学習することを目的とした回帰タスクである時系列外部回帰(TSER:Time Series Extrinsic Regression)について検討する。
このタスクは時系列予測(TSF)を一般化し、予測された値が入力系列の将来値である、あるいはより最近の値に依存するという要求を緩和する。
本稿では、この課題を動機付け、研究し、収集した19のTSERデータセットからなる新しいアーカイブ上で、既存のTSCアルゴリズムのソリューションと適応をベンチマークする。
以上の結果から,回帰に適応したtscアルゴリズムは,他のtscアルゴリズムやxgboost,ランダムフォレスト,サポートベクタ回帰といった最先端機械学習(ml)アルゴリズムの適応と比較して,全体的な精度が最も高いことが判明した。
さらに,MLモデルの精度を向上させるためには,この分野において多くの研究が必要であることを示す。
また、これらの素直なベースラインを改善するためのさらなる研究が期待できる証拠も見出されている。
関連論文リスト
- TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。
本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
論文 参考訳(メタデータ) (2024-02-04T13:10:51Z) - Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。
事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。
多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
論文 参考訳(メタデータ) (2024-02-04T06:55:55Z) - Time-LLM: Time Series Forecasting by Reprogramming Large Language Models [110.20279343734548]
時系列予測は多くの実世界の力学系において重要な意味を持つ。
時系列予測のための大規模言語モデルを再利用するための再プログラミングフレームワークであるTime-LLMを提案する。
Time-LLMは、最先端の特殊な予測モデルよりも優れた、強力な時系列学習者である。
論文 参考訳(メタデータ) (2023-10-03T01:31:25Z) - TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。
結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
論文 参考訳(メタデータ) (2023-10-02T16:45:19Z) - Unsupervised Feature Based Algorithms for Time Series Extrinsic
Regression [0.9659642285903419]
Time Series Extrinsic Regression (TSER) は、連続応答変数の予測モデルを形成するために一連のトレーニング時系列を使用する。
DrCIF と FreshPRINCE モデルは、標準の回転森林回帰器を著しく上回っている唯一のモデルである。
論文 参考訳(メタデータ) (2023-05-02T13:58:20Z) - The FreshPRINCE: A Simple Transformation Based Pipeline Time Series
Classifier [0.0]
我々は、最先端と見なされるアルゴリズムの複雑さが本当に必要かどうかを考察する。
最初に提案されたアプローチは、要約統計やその他の時系列特徴抽出アプローチの単純なパイプラインである。
我々はこれらの手法をUCC時系列データセットアーカイブ上でテストし、TSC文献がこれらの手法の有効性を見落としているかどうかを確認する。
論文 参考訳(メタデータ) (2022-01-28T11:23:58Z) - Towards Similarity-Aware Time-Series Classification [51.2400839966489]
時系列データマイニングの基本課題である時系列分類(TSC)について検討する。
グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
論文 参考訳(メタデータ) (2022-01-05T02:14:57Z) - Interpretable Feature Construction for Time Series Extrinsic Regression [0.028675177318965035]
一部のアプリケーション領域では、対象変数が数値であり、その問題は時系列外部回帰(TSER)として知られている。
TSERの文脈における頑健で解釈可能な特徴構築と選択のためのベイズ法の拡張を提案する。
私たちのアプローチは、TSERに取り組むためのリレーショナルな方法を利用します:(i)、リレーショナルデータスキームに格納されている時系列の多様で単純な表現を構築し、(ii)二次テーブルからデータを「フラット化」するために解釈可能な機能を構築するためにプロポジション化技術を適用します。
論文 参考訳(メタデータ) (2021-03-15T08:12:19Z) - Monash University, UEA, UCR Time Series Extrinsic Regression Archive [6.5513221781395465]
我々は,最初のTSERベンチマークアーカイブを導入することで,TSER(Time Series Extrinsic Regression)の研究のモチベーションと支援を目指している。
このアーカイブには、異なるドメインから19のデータセットが含まれており、さまざまな次元、不等長次元、欠落値がある。
本稿では,このアーカイブにデータセットを導入し,既存のモデルに対する初期ベンチマークを行った。
論文 参考訳(メタデータ) (2020-06-19T07:47:57Z) - Interpretable Time Series Classification using Linear Models and
Multi-resolution Multi-domain Symbolic Representations [6.6147550436077776]
我々は,現在のアプローチにおけるギャップに対処する新しい時系列分類アルゴリズムを提案する。
提案手法は,時系列の記号表現,効率的なシーケンスマイニングアルゴリズム,線形分類モデルに基づく。
我々のモデルは深層学習モデルと同じくらい正確だが、実行時間やメモリに関してより効率的であり、可変長の時系列を扱うことができ、元の時系列における識別的象徴的特徴を強調することで解釈できる。
論文 参考訳(メタデータ) (2020-05-31T15:32:08Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2020-02-21T05:00:01Z)
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。