論文の概要: Parallel Extraction of Long-term Trends and Short-term Fluctuation
Framework for Multivariate Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2008.07730v3
- Date: Mon, 22 Mar 2021 16:02:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 20:46:31.052150
- Title: Parallel Extraction of Long-term Trends and Short-term Fluctuation
Framework for Multivariate Time Series Forecasting
- Title(参考訳): 多変量時系列予測のための長期トレンドと短期変動フレームワークの並列抽出
- Authors: Yifu Zhou, Ziheng Duan, Haoyan Xu, Jie Feng, Anni Ren, Yueyang Wang,
Xiaoqian Wang
- Abstract要約: 時系列には、長期傾向と短期変動という2つの特徴がある。
既存の予測手法は両者を区別しないことが多いため、予測モデルの精度は低下する。
3つの予測サブネットワークを構築し、予測すべき長期的な傾向、短期的な変動、最終的な値を予測する。
- 参考スコア(独自算出の注目度): 14.399919351944677
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multivariate time series forecasting is widely used in various fields.
Reasonable prediction results can assist people in planning and
decision-making, generate benefits and avoid risks. Normally, there are two
characteristics of time series, that is, long-term trend and short-term
fluctuation. For example, stock prices will have a long-term upward trend with
the market, but there may be a small decline in the short term. These two
characteristics are often relatively independent of each other. However, the
existing prediction methods often do not distinguish between them, which
reduces the accuracy of the prediction model. In this paper, a MTS forecasting
framework that can capture the long-term trends and short-term fluctuations of
time series in parallel is proposed. This method uses the original time series
and its first difference to characterize long-term trends and short-term
fluctuations. Three prediction sub-networks are constructed to predict
long-term trends, short-term fluctuations and the final value to be predicted.
In the overall optimization goal, the idea of multi-task learning is used for
reference, which is to make the prediction results of long-term trends and
short-term fluctuations as close to the real values as possible while requiring
to approximate the values to be predicted. In this way, the proposed method
uses more supervision information and can more accurately capture the changing
trend of the time series, thereby improving the forecasting performance.
- Abstract(参考訳): 多変量時系列予測は様々な分野で広く使われている。
合理的な予測結果は、計画と意思決定を支援し、利益を生み出し、リスクを避けることができる。
通常、時系列には長期的な傾向と短期的な変動という2つの特徴がある。
例えば、株価は市場に対して長期的な上昇傾向を持つだろうが、短期的にはわずかに下落するかもしれない。
この2つの特徴はしばしば互いに比較的独立している。
しかし,既存の予測手法は両者を区別しないことが多く,予測モデルの精度が低下する。
本稿では,時系列の長期的傾向と短期的変動を並列に把握できるMSS予測フレームワークを提案する。
本手法は, 時系列とその最初の差を利用して, 長期的傾向と短期的変動を特徴づける。
3つの予測サブネットワークが構築され、長期傾向、短期変動、予測すべき最終値を予測する。
全体的な最適化目標において、マルチタスク学習の考え方は、予測すべき値を近似しながら、可能な限り実値に近い長期的傾向と短期的変動の予測結果を導出することを目的としている。
このようにして、本手法はより監督情報を使用し、時系列の変動傾向をより正確に把握し、予測性能を向上させる。
関連論文リスト
- Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes:
Functional and Augmented Data Structures in Financial Forecasting [0.0]
本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。
GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。
これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
論文 参考訳(メタデータ) (2024-02-23T06:09:45Z) - Loss Shaping Constraints for Long-Term Time Series Forecasting [86.6877920044998]
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) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-08-18T16:21:15Z) - MPPN: Multi-Resolution Periodic Pattern Network For Long-Term Time
Series Forecasting [19.573651104129443]
長期の時系列予測は、様々な現実のシナリオにおいて重要な役割を果たす。
近年の時系列予測の深層学習手法は,分解法やサンプリング法により時系列の複雑なパターンを捉える傾向にある。
本稿では,MPPN(Multi- resolution Periodic Pattern Network)という,長期連続予測のための新しいディープラーニングネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-06-12T07:00:37Z) - Stecformer: Spatio-temporal Encoding Cascaded Transformer for
Multivariate Long-term Time Series Forecasting [11.021398675773055]
本稿では,特徴抽出とターゲット予測の観点から,問題の完全な解決法を提案する。
抽出のために,半適応グラフを含む効率的な時間的符号化抽出器を設計し,十分な時間的情報を取得する。
予測のために、異なる間隔間の相関を強化するためにカスケードデ予測器(CDP)を提案する。
論文 参考訳(メタデータ) (2023-05-25T13:00:46Z) - Financial Time Series Forecasting using CNN and Transformer [16.57996422431636]
本稿では,CNN と Transformer のパワーを活用し,時系列内の短期的および長期的依存関係をモデル化する。
本実験では, 統計的・深層学習法と比較し, 提案手法の有効性を実証した。
論文 参考訳(メタデータ) (2023-04-11T00:56:57Z) - Multivariate Probabilistic Forecasting of Intraday Electricity Prices
using Normalizing Flows [62.997667081978825]
ドイツでは、日内電気価格は通常、EPEXスポット市場の1日当たりの価格に異なる時間帯で変動する。
本研究は,日頭契約の日内価格差をモデル化する確率論的モデリング手法を提案する。
論文 参考訳(メタデータ) (2022-05-27T08:38:20Z) - From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。
我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。
また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
論文 参考訳(メタデータ) (2020-12-02T21:01:29Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳(メタデータ) (2020-03-10T09:15:42Z)
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。