論文の概要: VEST: Automatic Feature Engineering for Forecasting

• arxiv url: http://arxiv.org/abs/2010.07137v1
• Date: Wed, 14 Oct 2020 14:54:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 12:43:57.844560
• Title: VEST: Automatic Feature Engineering for Forecasting
• Title（参考訳）: VEST: 予測のための自動機能エンジニアリング
• Authors: Vitor Cerqueira, Nuno Moniz, Carlos Soares
• Abstract要約: 時系列の過去のダイナミクスを要約した統計を用いた自動回帰プロセスの拡張について検討する。 提案手法は3つの主要なステップで機能する。第1に,最近の観測を異なる表現にマッピングする。第2に,各表現を統計関数で要約する。最後に,特徴選択にフィルタを適用する。
• 参考スコア（独自算出の注目度）: 3.9747898273716697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting is a challenging task with applications in a wide range of domains. Auto-regression is one of the most common approaches to address these problems. Accordingly, observations are modelled by multiple regression using their past lags as predictor variables. We investigate the extension of auto-regressive processes using statistics which summarise the recent past dynamics of time series. The result of our research is a novel framework called VEST, designed to perform feature engineering using univariate and numeric time series automatically. The proposed approach works in three main steps. First, recent observations are mapped onto different representations. Second, each representation is summarised by statistical functions. Finally, a filter is applied for feature selection. We discovered that combining the features generated by VEST with auto-regression significantly improves forecasting performance. We provide evidence using 90 time series with high sampling frequency. VEST is publicly available online.
• Abstract（参考訳）: 時系列予測は、幅広いドメインのアプリケーションにとって困難なタスクである。 自動回帰はこれらの問題に対処する最も一般的なアプローチの1つである。 したがって、観測は過去のラグを予測変数として複数の回帰によってモデル化される。 時系列の過去のダイナミクスを要約した統計を用いて,自動回帰プロセスの拡張について検討する。 我々の研究結果はVESTと呼ばれる新しいフレームワークであり、単変量および数値時系列を用いて特徴工学を自動で行うように設計されている。 提案手法は3つの主要なステップで機能する。 まず、最近の観測は異なる表現にマッピングされる。 第二に、各表現は統計関数によって要約される。 最後に、特徴選択にフィルタを適用する。 VESTが生成した特徴と自動回帰を組み合わせることで,予測性能が大幅に向上することを発見した。 サンプリング頻度の高い90の時系列を用いて証拠を提供する。 VESTはオンラインで公開されている。

関連論文リスト

• Deciphering Movement: Unified Trajectory Generation Model for Multi-Agent [53.637837706712794]
  任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。 具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを導入する。 バスケットボール-U,サッカー-U,サッカー-Uの3つの実用的なスポーツゲームデータセットをベンチマークして評価を行った。
  論文  参考訳（メタデータ） (2024-05-27T22:15:23Z)
• Lag Selection for Univariate Time Series Forecasting using Deep Learning: An Empirical Study [0.393259574660092]
  我々は、グローバルアプローチで訓練されたディープラーニング手法、すなわち、複数の単変量時系列からなるデータセットに焦点を当てる。 その結果,ラグサイズは正確な予測のパラメータであることがわかった。 クロスバリデーションアプローチは、ラグ選択に最適なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-05-18T09:31:54Z)
• FreDF: Learning to Forecast in Frequency Domain [56.24773675942897]
  時系列モデリングは、歴史的シーケンスとラベルシーケンスの両方に自己相関が存在するという点で、独特な課題である。 本稿では、周波数領域の予測を学習することでラベル自己相関の複雑さを回避できる周波数強調直接予測(FreDF)を導入する。
  論文  参考訳（メタデータ） (2024-02-04T08:23:41Z)
• 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)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• 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)
• AutoML Meets Time Series Regression Design and Analysis of the AutoSeries Challenge [21.49840594645196]
  WSDMカップ2020における最初の自動時系列回帰チャレンジ(AutoSeries)。 設計、分析、ポストホック実験について述べる。
  論文  参考訳（メタデータ） (2021-07-28T06:30:46Z)
• ScoreGrad: Multivariate Probabilistic Time Series Forecasting with Continuous Energy-based Generative Models [10.337742174633052]
  本研究では,連続エネルギーモデルに基づく確率的時系列予測フレームワークであるScoreGradを提案する。 ScoreGradは時系列特徴抽出モジュールと条件微分方程式に基づくスコアマッチングモジュールで構成される。 6つの実世界のデータセットで最先端の結果が得られます。
  論文  参考訳（メタデータ） (2021-06-18T13:22:12Z)
• 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)
• Superiority of Simplicity: A Lightweight Model for Network Device Workload Prediction [58.98112070128482]
  本稿では,歴史観測に基づく時系列予測のための軽量な解を提案する。 ニューラルネットワークと平均予測器という2つのモデルからなる異種アンサンブル法で構成されている。 利用可能なFedCSIS 2020チャレンジデータセットの総合的なR2$スコア0.10を達成している。
  論文  参考訳（メタデータ） (2020-07-07T15:44:16Z)
• 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。