論文の概要: Two-Step Meta-Learning for Time-Series Forecasting Ensemble
- arxiv url: http://arxiv.org/abs/2011.10545v2
- Date: Fri, 15 Apr 2022 10:07:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 05:41:01.534323
- Title: Two-Step Meta-Learning for Time-Series Forecasting Ensemble
- Title(参考訳): 時系列予測アンサンブルのための2段階メタラーニング
- Authors: Evaldas Vaiciukynas, Paulius Danenas, Vilius Kontrimas, Rimantas
Butleris
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.1278903078792915
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Amounts of historical data collected increase and business intelligence
applicability with automatic forecasting of time series are in high demand.
While no single time series modeling method is universal to all types of
dynamics, forecasting using an ensemble of several methods is often seen as a
compromise. Instead of fixing ensemble diversity and size, we propose to
predict these aspects adaptively using meta-learning. Meta-learning here
considers two separate random forest regression models, built on 390
time-series features, to rank 22 univariate forecasting methods and recommend
ensemble size. The forecasting ensemble is consequently formed from methods
ranked as the best, and forecasts are pooled using either simple or weighted
average (with a weight corresponding to reciprocal rank). The proposed approach
was tested on 12561 micro-economic time-series (expanded to 38633 for various
forecasting horizons) of M4 competition where meta-learning outperformed Theta
and Comb benchmarks by relative forecasting errors for all data types and
horizons. Best overall results were achieved by weighted pooling with a
symmetric mean absolute percentage error of 9.21% versus 11.05% obtained using
the Theta method.
- Abstract(参考訳): 収集された履歴データの量と時系列の自動予測によるビジネスインテリジェンスの適用性は高い需要である。
時系列モデリング手法はあらゆる種類の力学に普遍的ではないが、いくつかの手法のアンサンブルを用いた予測は妥協と見なされることが多い。
アンサンブルの多様性とサイズを修正する代わりに,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。
メタラーニングでは、390の時系列特徴に基づいて構築された2つの異なるランダム森林回帰モデルを検討し、22の単変量予測手法をランク付けし、アンサンブルサイズを推奨している。
その結果、予測アンサンブルは最高ランクの方法から形成され、単純または重み付け平均(相互のランクに対応する重み付き)を用いて予測をプールする。
提案手法は,M4コンペティションの12561マイクロエコノミック時系列(様々な予測地平線について38633まで拡張)で検証され,メタラーニングは全データタイプと地平線に対する相対予測誤差により,ThetaとCombベンチマークを上回った。
Theta法を用いて得られた11.05%に対して、対称平均絶対パーセンテージ誤差9.21%の重み付きプールにより、最もよい結果が得られた。
関連論文リスト
- GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。
GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。
GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
論文 参考訳(メタデータ) (2024-10-14T11:29:38Z) - Infinite forecast combinations based on Dirichlet process [9.326879672480413]
本稿では,ディリクレ過程に基づく深層学習アンサンブル予測モデルを提案する。
単一のベンチマークモデルに比べて予測精度と安定性が大幅に向上している。
論文 参考訳(メタデータ) (2023-11-21T06:41:41Z) - 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) - 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) - Beyond Ensemble Averages: Leveraging Climate Model Ensembles for Subseasonal Forecasting [10.083361616081874]
本研究では,機械学習モデル(ML)を時系列予測のための後処理ツールとして応用することを検討した。
相対湿度, 海面圧力, 地電位高さなど, タグ付き数値アンサンブル予測および観測データをML法に取り入れた。
回帰、量子レグレッション、tercile 分類タスクでは、線形モデル、ランダムフォレスト、畳み込みニューラルネットワーク、および積み重ねモデルを用いて検討する。
論文 参考訳(メタデータ) (2022-11-29T01:11:04Z) - 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) (2022-06-16T06:13:53Z) - Meta-Forecasting by combining Global DeepRepresentations with Local
Adaptation [12.747008878068314]
メタグローバルローカル自動回帰(Meta-GLAR)と呼ばれる新しい予測手法を導入する。
それは、リカレントニューラルネットワーク(RNN)によって生成された表現からワンステップアヘッド予測へのマッピングをクローズドフォームで学習することで、各時系列に適応する。
本手法は,先行研究で報告されたサンプル外予測精度において,最先端の手法と競合する。
論文 参考訳(メタデータ) (2021-11-05T11:45:02Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳(メタデータ) (2021-10-26T20:41:19Z) - CAMul: Calibrated and Accurate Multi-view Time-Series Forecasting [70.54920804222031]
本稿では,一般的な確率的マルチビュー予測フレームワークであるCAMulを提案する。
多様なデータソースから表現と不確実性を学ぶことができる。
動的コンテキスト固有の方法で、各データビューからの知識と不確実性を統合する。
CAMulは、他の最先端確率予測モデルよりも精度とキャリブレーションが25%以上向上していることを示す。
論文 参考訳(メタデータ) (2021-09-15T17:13:47Z) - An Accurate and Fully-Automated Ensemble Model for Weekly Time Series
Forecasting [9.617563440471928]
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。
論文 参考訳(メタデータ) (2020-10-16T04:29:09Z)
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。