論文の概要: An Accurate and Fully-Automated Ensemble Model for Weekly Time Series
Forecasting
- arxiv url: http://arxiv.org/abs/2010.08158v2
- Date: Sun, 3 Dec 2023 23:41:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-06 02:22:14.375080
- Title: An Accurate and Fully-Automated Ensemble Model for Weekly Time Series
Forecasting
- Title(参考訳): 週次時系列予測のための高精度全自動アンサンブルモデル
- Authors: Rakshitha Godahewa, Christoph Bergmeir, Geoffrey I. Webb, Pablo
Montero-Manso
- Abstract要約: 本稿では,最先端の予測技術を活用した予測手法を提案する。
異なるメタ学習アーキテクチャ、アルゴリズム、ベースモデルプールについて検討する。
提案手法は、一連のベンチマークと最先端の週次予測モデルより一貫して優れている。
- 参考スコア(独自算出の注目度): 9.617563440471928
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many businesses and industries require accurate forecasts for weekly time
series nowadays. However, the forecasting literature does not currently provide
easy-to-use, automatic, reproducible and accurate approaches dedicated to this
task. We propose a forecasting method in this domain to fill this gap,
leveraging state-of-the-art forecasting techniques, such as forecast
combination, meta-learning, and global modelling. We consider different
meta-learning architectures, algorithms, and base model pools. Based on all
considered model variants, we propose to use a stacking approach with lasso
regression which optimally combines the forecasts of four base models: a global
Recurrent Neural Network model (RNN), Theta, Trigonometric Box-Cox ARMA Trend
Seasonal (TBATS) and Dynamic Harmonic Regression ARIMA (DHR-ARIMA), as it shows
the overall best performance across seven experimental weekly datasets on four
evaluation metrics. Our proposed method also consistently outperforms a set of
benchmarks and state-of-the-art weekly forecasting models by a considerable
margin with statistical significance. Our method can produce the most accurate
forecasts, in terms of mean sMAPE, for the M4 weekly dataset among all
benchmarks and all original competition participants.
- Abstract(参考訳): 今日では多くの企業や産業が毎週の時系列の正確な予測を必要としている。
しかし、現在、予測文献は、このタスク専用の、使いやすさ、自動性、再現性、正確なアプローチを提供していない。
本稿では,このギャップを埋めるために,予測の組み合わせ,メタラーニング,グローバルモデリングといった最先端の予測手法を活用した予測手法を提案する。
異なるメタ学習アーキテクチャ、アルゴリズム、ベースモデルプールについて検討する。
そこで本研究では,4つのベースモデルの予測を最適に組み合わせたラッソ回帰(lasso regression)を用いた積み重ね手法を提案する。グローバルリカレントニューラルネットワークモデル(rnn),theta,trigonometric box-cox arma trend seasonal (tbats),dynamic harmonic regression arima (dhr-arima) の4つの評価指標を用いた実験データセットの総合的パフォーマンスを示す。
また,提案手法は,統計的に有意なマーケッツと最先端の週次予測モデルとを一貫して上回っている。
提案手法は,M4 週毎のベンチマークデータに対して,平均 sMAPE で最も正確な予測値を生成することができる。
関連論文リスト
- Recency-Weighted Temporally-Segmented Ensemble for Time-Series Modeling [0.0]
プロセス産業における時系列モデリングは、複雑で多面的で進化するデータ特性を扱うという課題に直面している。
マルチステップ予測のための新しいチャンクベースアプローチであるRecency-Weighted Temporally-Segmented(ReWTS)アンサンブルモデルを導入する。
ノルウェーの排水処理場と飲料水処理場からの2年間のデータをもとに,比較分析を行った。
論文 参考訳(メタデータ) (2024-03-04T16:00:35Z) - Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳(メタデータ) (2024-02-12T16:15:25Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D
Variational Assimilation [71.21242137496031]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。
FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。
シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文 参考訳(メタデータ) (2023-12-16T02:07:56Z) - Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。
本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
論文 参考訳(メタデータ) (2023-10-24T22:59:56Z) - EAMDrift: An interpretable self retrain model for time series [0.0]
EAMDrift(EAMDrift)は、複数の個人予測器から予測を合成し、性能指標に従って予測を重み付けする新しい手法である。
EAMDriftはデータのアウト・オブ・ディストリビューションパターンに自動的に適応し、各瞬間に使用する最も適切なモデルを特定するように設計されている。
本研究は,EAMDriftが個々のベースラインモデルより20%優れ,非解釈可能なアンサンブルモデルに匹敵する精度が得られることを示す。
論文 参考訳(メタデータ) (2023-05-31T13:25:26Z) - Evaluating State of the Art, Forecasting Ensembles- and Meta-learning
Strategies for Model Fusion [0.0]
本稿では,異なるアンサンブルに対するベースモデルのプール内での指数平滑化リカレントニューラルネットワーク(ES-RNN)の有用性について述べる。
論文 参考訳(メタデータ) (2022-03-07T10:51:40Z) - Feature-weighted Stacking for Nonseasonal Time Series Forecasts: A Case
Study of the COVID-19 Epidemic Curves [0.0]
本研究では,非シーズン時間帯での利用可能性について,予測におけるアンサンブル手法について検討する。
予備予測段階における予測能力を証明する2つの予測モデルと2つのメタ機能からなる重畳アンサンブルを用いて遅延データ融合を提案する。
論文 参考訳(メタデータ) (2021-08-19T14:44:46Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - Two-Step Meta-Learning for Time-Series Forecasting Ensemble [1.1278903078792915]
いくつかのメソッドのアンサンブルを使用した予測は、しばしば妥協と見なされる。
メタラーニングを用いてこれらの側面を適応的に予測することを提案する。
提案手法は12561マイクロ・エコノミック・タイムシリーズで試験された。
論文 参考訳(メタデータ) (2020-11-20T18:35:02Z) - Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。
本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。
4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文 参考訳(メタデータ) (2020-02-27T10:22:17Z)
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。