論文の概要: Prediction of hierarchical time series using structured regularization
and its application to artificial neural networks
- arxiv url: http://arxiv.org/abs/2007.15159v1
- Date: Thu, 30 Jul 2020 00:30:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-05 13:24:24.427302
- Title: Prediction of hierarchical time series using structured regularization
and its application to artificial neural networks
- Title（参考訳）: 構造化正規化を用いた階層時系列の予測と人工ニューラルネットワークへの応用
- Authors: Tomokaze Shiratori and Ken Kobayashi and Yuichi Takano
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.696083734269231
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper discusses the prediction of hierarchical time series, where each
upper-level time series is calculated by summing appropriate lower-level time
series. Forecasts for such hierarchical time series should be coherent, meaning
that the forecast for an upper-level time series equals the sum of forecasts
for corresponding lower-level time series. Previous methods for making coherent
forecasts consist of two phases: first computing base (incoherent) forecasts
and then reconciling those forecasts based on their inherent hierarchical
structure. With the aim of improving time series predictions, we propose a
structured regularization method for completing both phases simultaneously. The
proposed method is based on a prediction model for bottom-level time series and
uses a structured regularization term to incorporate upper-level forecasts into
the prediction model. We also develop a backpropagation algorithm specialized
for application of our method to artificial neural networks for time series
prediction. Experimental results using synthetic and real-world datasets
demonstrate the superiority of our method in terms of prediction accuracy and
computational efficiency.
- Abstract（参考訳）: 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ので、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。
従来のコヒーレント予測の方法は、最初の計算ベース(一貫性のない)予測と、その固有の階層構造に基づいたそれらの予測の調整の2つのフェーズで構成される。
時系列予測を改善するため,両位相を同時に完備する構造化正則化手法を提案する。
提案手法はボトムレベル時系列の予測モデルに基づいて構成された正規化項を用いて予測モデルに上位レベル予測を組み込む。
また,時系列予測のためのニューラルネットワークへの応用に特化したバックプロパゲーションアルゴリズムを開発した。
合成および実世界のデータセットを用いた実験結果は,予測精度と計算効率の観点から,本手法の優位性を示す。
関連論文リスト
- Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
本稿では,長期時系列予測のための制約付き学習手法を提案する。
提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-02-14T18:20:44Z) - 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) - 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) - Efficient probabilistic reconciliation of forecasts for real-valued and
count time series [0.840358257755792]
本研究では,任意の種類の予測分布を調整するための条件付けに基づく新しい手法を提案する。
次にBottom-Up Smplingと呼ばれる新しいアルゴリズムを導入し、再構成された分布から効率的にサンプリングする。
論文 参考訳（メタデータ） (2022-10-05T14:22:24Z) - 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) - A Top-Down Approach to Hierarchically Coherent Probabilistic Forecasting [21.023456590248827]
注意に基づく新しいRNNモデルを用いて、各親予測が任意の時点において、その子ノード間で分割される割合の分布を学習する。
結果の予測はトップダウンで計算され、自然にコヒーレントである。
論文 参考訳（メタデータ） (2022-04-21T21:32:28Z) - 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) - Forecasting reconciliation with a top-down alignment of independent
level forecasts [3.600932575533886]
全体予測性能は,下層部における断続時系列の予測精度に大きく影響している。
本稿では,階層の上層部における予測精度を高めるため,底面予測を潜時として扱う予測調整手法を提案する。
論文 参考訳（メタデータ） (2021-03-15T10:00:23Z) - 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 machine learning approach for forecasting hierarchical time series [4.157415305926584]
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。
論文 参考訳（メタデータ） (2020-05-31T22:26:16Z)
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。