論文の概要: Probabilistic Feature Selection in Joint Quantile Time Series Analysis
- arxiv url: http://arxiv.org/abs/2010.01654v2
- Date: Tue, 21 Dec 2021 19:17:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 03:33:16.325189
- Title: Probabilistic Feature Selection in Joint Quantile Time Series Analysis
- Title(参考訳): 連立量子時系列解析における確率的特徴選択
- Authors: Ning Ning
- Abstract要約: 連立量子時系列解析における特徴選択のための一般的な確率論的手法を提案する。
QFSTSモデルは一般的な構造時系列モデルであり、各コンポーネントは時系列モデリングに付加的な寄与をもたらす。
QFSTSモデルは、特徴選択、パラメータ推定、予測において優れた性能を有する。
- 参考スコア(独自算出の注目度): 0.6599344783327054
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantile feature selection over correlated multivariate time series data has
always been a methodological challenge and is an open problem. In this paper,
we propose a general probabilistic methodology for feature selection in joint
quantile time series analysis, under the name of quantile feature selection
time series (QFSTS) model. The QFSTS model is a general structural time series
model, where each component yields an additive contribution to the time series
modeling with direct interpretations. Its flexibility is compound in the sense
that users can add/deduct components for each times series and each time series
can have its own specific valued components of different sizes. Feature
selection is conducted in the quantile regression component, where each time
series has its own pool of contemporaneous external predictors allowing
"nowcasting". Creative probabilistic methodology in extending feature selection
to the quantile time series research area is developed by means of multivariate
asymmetric Laplace distribution, ``spike-and-slab" prior setup, the
Metropolis-Hastings algorithm, and the Bayesian model averaging technique, all
implemented consistently in the Bayesian paradigm. Different from most machine
learning algorithms, the QFSTS model requires small datasets to train,
converges fast, and is executable on ordinary personal computers. Extensive
examinations on simulated data and empirical data confirmed that the QFSTS
model has superior performance in feature selection, parameter estimation, and
forecast.
- Abstract(参考訳): 相関した多変量時系列データによる質的特徴選択は常に方法論的な課題であり、オープンな問題である。
本稿では,QFSTS(Quantile Feature selection time series)モデルの名称を用いて,共同量子化時系列解析における特徴選択の一般的な確率論的手法を提案する。
QFSTSモデルは一般的な構造的時系列モデルであり、各コンポーネントは直接解釈を伴う時系列モデリングに付加的な寄与を与える。
その柔軟性は、ユーザが各時系列に対してコンポーネントを追加/デダクトできるという意味で複雑で、各時系列は、それぞれ異なるサイズの特定のコンポーネントを持つことができる。
特徴選択は量子回帰成分(quantile regression component)で行われ、各時系列は「流れ」を許容する同時の外部予測器のプールを持つ。
多変量非対称ラプラス分布, ``spike-and-slab" 事前設定, Metropolis-Hastings アルゴリズム, and the Bayesian model averaging technique を用いて,特徴選択を量子時系列研究領域に拡張する確率的手法を開発した。
ほとんどの機械学習アルゴリズムとは異なり、qfstsモデルはトレーニングのために小さなデータセットを必要とし、高速に収束し、通常のパーソナルコンピュータで実行可能である。
シミュレーションデータと実験データによる広範囲な検証により,QFSTSモデルが特徴選択,パラメータ推定,予測において優れた性能を示した。
関連論文リスト
- Unified Training of Universal Time Series Forecasting Transformers [110.79681024473159]
マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。
Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。
Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-02-04T20:00:45Z) - Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。
実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
論文 参考訳(メタデータ) (2023-10-17T06:29:09Z) - A Pattern Discovery Approach to Multivariate Time Series Forecasting [27.130141538089152]
モデル複雑性は時系列の長さとともに指数関数的に増加するので、最先端のディープラーニング手法はフルタイムのモデルの構築に失敗する。
本稿では,多種多様な時系列パターンを自動的にキャプチャできる新しいパターン探索手法を提案する。
また,学習可能な相関行列を提案し,複数の時系列間の相関関係をモデル化する。
論文 参考訳(メタデータ) (2022-12-20T14:54:04Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳(メタデータ) (2022-02-07T21:37:29Z) - Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
時系列データは、気候、経済、医療などいくつかの領域で広く使われている。
最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。
ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
論文 参考訳(メタデータ) (2021-10-11T13:46:28Z) - Instance-wise Graph-based Framework for Multivariate Time Series
Forecasting [69.38716332931986]
我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。
私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
論文 参考訳(メタデータ) (2021-09-14T07:38:35Z) - The mbsts package: Multivariate Bayesian Structural Time Series Models
in R [2.8935588665357086]
本稿では,MBSTSモデリングにおけるRパッケージmbstsの使い方を示す。
MBSTSモデルには幅広い応用があり、特徴選択、時系列予測、現在放送、因果的影響の推測などに最適である。
論文 参考訳(メタデータ) (2021-06-26T15:28:38Z) - 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) - On Multivariate Singular Spectrum Analysis and its Variants [23.517864567789353]
本稿では,多変量特異解析 (mSSA) の変種を導入,解析する。
我々は、計算とサンプル外予測の両方に対して平均2乗誤差を1/sqrtmin(N, T )T$として効果的に設定する。
ベンチマークデータセットでは、我々のmSSAの変種は最先端のニューラルネットワーク時系列手法と競合する。
論文 参考訳(メタデータ) (2020-06-24T03:17:01Z) - Supervised Feature Subset Selection and Feature Ranking for Multivariate
Time Series without Feature Extraction [78.84356269545157]
MTS分類のための教師付き特徴ランキングと特徴サブセット選択アルゴリズムを導入する。
MTSの既存の教師なし特徴選択アルゴリズムとは異なり、我々の手法は時系列から一次元特徴ベクトルを生成するために特徴抽出ステップを必要としない。
論文 参考訳(メタデータ) (2020-05-01T07:46:29Z) - A Deep Structural Model for Analyzing Correlated Multivariate Time
Series [11.009809732645888]
相関した多変量時系列入力を処理できる深層学習構造時系列モデルを提案する。
モデルは、トレンド、季節性、イベントコンポーネントを明示的に学習し、抽出する。
我々は,様々な時系列データセットに関する総合的な実験を通して,そのモデルと最先端のいくつかの手法を比較した。
論文 参考訳(メタデータ) (2020-01-02T18:48:29Z)
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。