論文の概要: Improved Predictive Deep Temporal Neural Networks with Trend Filtering
- arxiv url: http://arxiv.org/abs/2010.08234v1
- Date: Fri, 16 Oct 2020 08:29:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 20:22:47.087348
- Title: Improved Predictive Deep Temporal Neural Networks with Trend Filtering
- Title（参考訳）: トレンドフィルタによる予測型深部時間ニューラルネットワークの改良
- Authors: Youngjin Park, Deokjun Eom, Byoungki Seo, Jaesik Choi
- Abstract要約: 本稿では,ディープニューラルネットワークとトレンドフィルタリングに基づく新しい予測フレームワークを提案する。
我々は,学習データをトレンドフィルタリングによって時間的に処理した場合,深部時相ニューラルネットワークの予測性能が向上することを明らかにする。
- 参考スコア（独自算出の注目度）: 22.352437268596674
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Forecasting with multivariate time series, which aims to predict future
values given previous and current several univariate time series data, has been
studied for decades, with one example being ARIMA. Because it is difficult to
measure the extent to which noise is mixed with informative signals within
rapidly fluctuating financial time series data, designing a good predictive
model is not a simple task. Recently, many researchers have become interested
in recurrent neural networks and attention-based neural networks, applying them
in financial forecasting. There have been many attempts to utilize these
methods for the capturing of long-term temporal dependencies and to select more
important features in multivariate time series data in order to make accurate
predictions. In this paper, we propose a new prediction framework based on deep
neural networks and a trend filtering, which converts noisy time series data
into a piecewise linear fashion. We reveal that the predictive performance of
deep temporal neural networks improves when the training data is temporally
processed by a trend filtering. To verify the effect of our framework, three
deep temporal neural networks, state of the art models for predictions in time
series finance data, are used and compared with models that contain trend
filtering as an input feature. Extensive experiments on real-world multivariate
time series data show that the proposed method is effective and significantly
better than existing baseline methods.
- Abstract（参考訳）: 多変量時系列による予測は、前と現在の複数の単変量時系列データから得られる将来の値を予測することを目的として、数十年にわたって研究され、その一例がARIMAである。
金融時系列データの急激な変動において,ノイズと情報信号が混在する程度を測定することは困難であるため,優れた予測モデルの設計は簡単な作業ではない。
近年、多くの研究者がリカレントニューラルネットワークや注意に基づくニューラルネットワークに興味を持ち、財務予測に応用している。
これらの手法を長期の時間依存の把握に活用し、正確な予測を行うために多変量時系列データにおいてより重要な特徴を選択する試みが数多く行われている。
本稿では,ディープニューラルネットワークに基づく新しい予測フレームワークと,ノイズ時系列データを区分線形に変換するトレンドフィルタリングを提案する。
学習データをトレンドフィルタリングにより時間処理した場合,ディープテンポラルニューラルネットワークの予測性能が向上することが明らかとなった。
本フレームワークの有効性を検証するため,時系列ファイナンスデータにおける予測のための技術モデルである3つの深部時間ニューラルネットワークを用いて,トレンドフィルタリングを入力特徴とするモデルと比較した。
実世界の多変量時系列データに対する広範囲な実験は,提案手法が既存のベースライン法よりも効果的かつ著しく優れていることを示している。
関連論文リスト
- Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。
既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。
本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文 参考訳（メタデータ） (2024-11-24T04:56:45Z) - FocusLearn: Fully-Interpretable, High-Performance Modular Neural Networks for Time Series [0.3277163122167434]
本稿では,構築によって解釈可能な時系列予測のための新しいモジュール型ニューラルネットワークモデルを提案する。
リカレントニューラルネットワークはデータ内の時間的依存関係を学習し、アテンションベースの特徴選択コンポーネントは最も関連性の高い特徴を選択する。
モジュール型のディープネットワークは、選択した機能から独立してトレーニングされ、ユーザーが機能がどのように結果に影響を与えるかを示し、モデルを解釈できる。
論文 参考訳（メタデータ） (2023-11-28T14:51:06Z) - Pushing the Limits of Pre-training for Time Series Forecasting in the
CloudOps Domain [54.67888148566323]
クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。
強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。
これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
論文 参考訳（メタデータ） (2023-10-08T08:09:51Z) - Brain-Inspired Spiking Neural Network for Online Unsupervised Time
Series Prediction [13.521272923545409]
連続学習に基づく非教師付きリカレントスパイキングニューラルネットワークモデル(CLURSNN)を提案する。
CLURSNNは、ランダム遅延埋め込み(Random Delay Embedding)を使用して基盤となる動的システムを再構築することで、オンライン予測を行う。
提案手法は,進化するロレンツ63力学系を予測する際に,最先端のDNNモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-04-10T16:18:37Z) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳（メタデータ） (2023-02-20T22:25:47Z) - Probabilistic AutoRegressive Neural Networks for Accurate Long-range
Forecasting [6.295157260756792]
確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。
PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。
本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
論文 参考訳（メタデータ） (2022-04-01T17:57:36Z) - Multi-head Temporal Attention-Augmented Bilinear Network for Financial
time series prediction [77.57991021445959]
本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。
本手法の有効性を,大規模書籍市場データを用いて検証した。
論文 参考訳（メタデータ） (2022-01-14T14:02:19Z) - Bilinear Input Normalization for Neural Networks in Financial
Forecasting [101.89872650510074]
本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。
提案手法は,財務時系列のバイモーダル特性を考慮したものである。
我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
論文 参考訳（メタデータ） (2021-09-01T07:52:03Z) - Time Series is a Special Sequence: Forecasting with Sample Convolution
and Interaction [9.449017120452675]
時系列データ(英: time series)とは、時系列データの一種で、時系列で記録された観測の集合である。
既存のディープラーニング技術では、時系列解析にジェネリックシーケンスモデルを使用しており、そのユニークな性質を無視している。
本稿では,新しいニューラルネットワークアーキテクチャを提案し,時系列予測問題に適用し,時間的モデリングのための複数の解像度でサンプル畳み込みと相互作用を行う。
論文 参考訳（メタデータ） (2021-06-17T08:15:04Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2020-05-24T04:02:18Z) - The Effectiveness of Discretization in Forecasting: An Empirical Study
on Neural Time Series Models [15.281725756608981]
ニューラル予測アーキテクチャの予測性能に及ぼすデータ入力および出力変換の影響について検討する。
バイナリ化は実値入力の正規化に比べてほぼ常に性能が向上することがわかった。
論文 参考訳（メタデータ） (2020-05-20T15:09:28Z)
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。