論文の概要: A Worrying Analysis of Probabilistic Time-series Models for Sales Forecasting

• arxiv url: http://arxiv.org/abs/2011.10715v1
• Date: Sat, 21 Nov 2020 03:31:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 23:05:34.593891
• Title: A Worrying Analysis of Probabilistic Time-series Models for Sales Forecasting
• Title（参考訳）: 販売予測のための確率時系列モデルの心配分析
• Authors: Seungjae Jung, Kyung-Min Kim, Hanock Kwak and Young-Jin Park
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.690379201437015
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Probabilistic time-series models become popular in the forecasting field as they help to make optimal decisions under uncertainty. Despite the growing interest, a lack of thorough analysis hinders choosing what is worth applying for the desired task. In this paper, we analyze the performance of three prominent probabilistic time-series models for sales forecasting. To remove the role of random chance in architecture's performance, we make two experimental principles; 1) Large-scale dataset with various cross-validation sets. 2) A standardized training and hyperparameter selection. The experimental results show that a simple Multi-layer Perceptron and Linear Regression outperform the probabilistic models on RMSE without any feature engineering. Overall, the probabilistic models fail to achieve better performance on point estimation, such as RMSE and MAPE, than comparably simple baselines. We analyze and discuss the performances of probabilistic time-series models.
• Abstract（参考訳）: 不確実性の下で最適な決定を行うため、予測分野において確率的時系列モデルが普及する。 関心の高まりにもかかわらず、徹底的な分析の欠如は、望ましいタスクに何を適用する価値があるかの選択を妨げる。 本稿では,販売予測のための3つの確率的時系列モデルの性能分析を行う。 アーキテクチャのパフォーマンスにおけるランダムな機会の役割を取り除くために、私たちは2つの実験的な原則を作ります。 1)様々なクロスバリデーションセットを持つ大規模データセット。 2)標準化されたトレーニングとハイパーパラメータの選択。 実験の結果, 単純な多層パーセプトロンと線形回帰は, RMSEの確率的モデルよりも高い性能を示した。 全体として、確率モデルでは、RMSEやMAPEのような単純なベースラインよりも、点推定の性能が向上しない。 確率時系列モデルの性能を解析・考察する。

関連論文リスト

• A Scalable and Transferable Time Series Prediction Framework for Demand Forecasting [24.06534393565697]
  時系列予測は多くのビジネス問題において最も不可欠でユビキタスなタスクの1つである。 本稿では,多種多様なアイテムの今後の需要を正確に予測できる,シンプルかつ強力なフレームワークであるフォレスティング・オーケストラ(Forchestra)を提案する。
  論文  参考訳（メタデータ） (2024-02-29T18:01:07Z)
• 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)
• On Least Square Estimation in Softmax Gating Mixture of Experts [78.3687645289918]
  決定論的MoEモデルに基づく最小二乗推定器(LSE)の性能について検討する。 我々は,多種多様な専門家関数の収束挙動を特徴付けるために,強い識別可能性という条件を確立する。 本研究は,専門家の選択に重要な意味を持つ。
  論文  参考訳（メタデータ） (2024-02-05T12:31:18Z)
• 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)
• 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)
• Model-based micro-data reinforcement learning: what are the crucial model properties and which model to choose? [0.2836066255205732]
  我々は,マイクロデータモデルに基づく強化学習(MBRL)に寄与する。 マルチモーダルな後続予測を必要とする環境では、混合密度ネットは他のモデルよりも大きなマージンで優れていることがわかった。 また、決定論的モデルは同等であり、実際、確率論的モデルよりも一貫して(非目立ったことではないが)優れていることも見出した。
  論文  参考訳（メタデータ） (2021-07-24T11:38:25Z)
• Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
  PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。 既存の最先端手法と比較してPGBMの利点を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-03T08:32:13Z)
• Model Selection for Time Series Forecasting: Empirical Analysis of Different Estimators [1.6328866317851185]
  時系列予測タスクにおけるモデル選択のための一連の推定手法を比較する。 その結果,最適解選択のための推定器の精度は低いことがわかった。 サンプルサイズなどのいくつかの要因は、推定器の相対的性能において重要である。
  論文  参考訳（メタデータ） (2021-04-01T16:08:25Z)
• 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 framework for probabilistic weather forecast post-processing across models and lead times using machine learning [3.1542695050861544]
  我々はNWPモデルと意思決定支援の「理想的な」予測とのギャップを埋める方法について述べる。 本研究では,各数値モデルの誤差プロファイルの学習にQuantile Regression Forestsを使用し,これを経験から得られた確率分布を予測に適用する。 第2に、これらの確率予測を量子平均化(quantile averaging)を用いて組み合わせ、第3に、集合量子化の間で補間して完全な予測分布を生成する。
  論文  参考訳（メタデータ） (2020-05-06T16:46:02Z)

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。