論文の概要: Probabilistic Time Series Forecasting with Structured Shape and Temporal Diversity

• arxiv url: http://arxiv.org/abs/2010.07349v3
• Date: Sat, 10 Apr 2021 07:50:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 12:16:20.566186
• Title: Probabilistic Time Series Forecasting with Structured Shape and Temporal Diversity
• Title（参考訳）: 形状と時間的多様性を考慮した確率的時系列予測
• Authors: Vincent Le Guen, Nicolas Thome
• Abstract要約: 形状と時間的特徴に基づく構造的多様性を表現するためのSTRIPEモデルを提案する。 STRIPEは、最高のサンプル予測において最先端の確率予測手法より優れている。
• 参考スコア（独自算出の注目度）: 35.56938057804765
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Probabilistic forecasting consists in predicting a distribution of possible future outcomes. In this paper, we address this problem for non-stationary time series, which is very challenging yet crucially important. We introduce the STRIPE model for representing structured diversity based on shape and time features, ensuring both probable predictions while being sharp and accurate. STRIPE is agnostic to the forecasting model, and we equip it with a diversification mechanism relying on determinantal point processes (DPP). We introduce two DPP kernels for modeling diverse trajectories in terms of shape and time, which are both differentiable and proved to be positive semi-definite. To have an explicit control on the diversity structure, we also design an iterative sampling mechanism to disentangle shape and time representations in the latent space. Experiments carried out on synthetic datasets show that STRIPE significantly outperforms baseline methods for representing diversity, while maintaining accuracy of the forecasting model. We also highlight the relevance of the iterative sampling scheme and the importance to use different criteria for measuring quality and diversity. Finally, experiments on real datasets illustrate that STRIPE is able to outperform state-of-the-art probabilistic forecasting approaches in the best sample prediction.
• Abstract（参考訳）: 確率予測は将来の結果の分布を予測することである。 本稿では,非定常時系列に対してこの問題に対処する。 形状と時間的特徴に基づく構造的多様性を表現するためのstripeモデルを導入し,シャープで正確であると同時に,予測可能性も高い。 STRIPEは予測モデルに非依存であり,決定点過程(DPP)に依存した多様化機構を備える。 形状と時間の観点から多種多様な軌道をモデル化するために, 2つのdppカーネルを導入する。 また, ダイバーシティ構造を明示的に制御するために, 潜在空間における形状と時間表現を分離する反復サンプリング機構も設計する。 合成データセットを用いて行った実験により,STRIPEは予測モデルの精度を維持しつつ,多様性を表現するベースライン手法を著しく上回っていることがわかった。 また,反復サンプリング方式の妥当性と,品質や多様性を測定する上で異なる基準を用いることの重要性についても強調した。 最後に、実際のデータセットに関する実験は、STRIPEが最高のサンプル予測において最先端の確率予測アプローチより優れていることを示している。

関連論文リスト

• ProGen: Revisiting Probabilistic Spatial-Temporal Time Series Forecasting from a Continuous Generative Perspective Using Stochastic Differential Equations [18.64802090861607]
  ProGen Proは、不確実性を管理しながら依存関係を効果的にキャプチャする堅牢なソリューションを提供する。 4つのベンチマークトラフィックデータセットの実験により、ProGen Proは最先端の決定論的確率モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-02T14:37:30Z)
• 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)
• pTSE: A Multi-model Ensemble Method for Probabilistic Time Series Forecasting [10.441994923253596]
  pTSEは隠れマルコフモデル(HMM)に基づく確率予測のための多モデル分布アンサンブル法である pTSE の完全理論的解析を行い,HMM を対象とする時系列の経験的分布が定常分布にほぼ確実に収束することを示す。 ベンチマーク実験は、pTSE全体構成モデルと競合アンサンブル手法の優位性を示している。
  論文  参考訳（メタデータ） (2023-05-16T07:00:57Z)
• The Capacity and Robustness Trade-off: Revisiting the Channel Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
  本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。 以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。 本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:15:33Z)
• 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)
• Deep Time Series Forecasting with Shape and Temporal Criteria [44.728690975126845]
  深層モデルの訓練目的に形状と時間的基準を取り入れることを提案する。 決定論的予測の新しい目的であるDILATEを導入し、正確な形状と時間変化検出をサポートする2つの用語を明示的に組み込んだ。 確率予測には、鋭く多様な予測セットを提供するフレームワークであるSTRIPE++を導入する。
  論文  参考訳（メタデータ） (2021-04-09T21:24:33Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• A Worrying Analysis of Probabilistic Time-series Models for Sales Forecasting [10.690379201437015]
  確率的時系列モデルは、不確実性の下で最適な決定を下すのに役立つため、予測分野で人気がある。 販売予測のための3つの顕著な確率的時系列モデルの性能解析を行った。
  論文  参考訳（メタデータ） (2020-11-21T03:31:23Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。