論文の概要: A Trainable Reconciliation Method for Hierarchical Time-Series
- arxiv url: http://arxiv.org/abs/2101.01329v1
- Date: Tue, 5 Jan 2021 03:21:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-11 11:32:26.499722
- Title: A Trainable Reconciliation Method for Hierarchical Time-Series
- Title(参考訳): 階層型時系列のトレーニング可能な再構成法
- Authors: Davide Burba, Trista Chen
- Abstract要約: エンコーダデコーダニューラルネットワークに基づく,新しい汎用的,柔軟かつ容易に実装可能な調整戦略を提案する。
実世界の4つのデータセット上で本手法をテストすることにより,和解設定における既存手法の性能を継続的に到達または超えることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In numerous applications, it is required to produce forecasts for multiple
time-series at different hierarchy levels. An obvious example is given by the
supply chain in which demand forecasting may be needed at a store, city, or
country level. The independent forecasts typically do not add up properly
because of the hierarchical constraints, so a reconciliation step is needed. In
this paper, we propose a new general, flexible, and easy-to-implement
reconciliation strategy based on an encoder-decoder neural network. By testing
our method on four real-world datasets, we show that it can consistently reach
or surpass the performance of existing methods in the reconciliation setting.
- Abstract(参考訳): 多くのアプリケーションでは、異なる階層レベルで複数の時系列の予測を生成する必要がある。
明らかな例として、需要予測が店、市、国レベルで必要となるサプライチェーンが挙げられる。
独立した予測は通常、階層的な制約のために適切に加算されないため、和解のステップが必要である。
本稿では,エンコーダ-デコーダニューラルネットワークに基づく汎用的,柔軟な,実装が容易な和解戦略を提案する。
実世界の4つのデータセット上で本手法をテストすることにより,和解設定における既存手法の性能を継続的に到達または超えることを示す。
関連論文リスト
- Hierarchical Reinforcement Learning for Temporal Abstraction of Listwise Recommendation [51.06031200728449]
我々はmccHRLと呼ばれる新しいフレームワークを提案し、リストワイドレコメンデーションにおける時間的抽象化のレベルを異なるものにする。
階層的な枠組みの中では、ハイレベルエージェントがユーザ知覚の進化を研究し、低レベルエージェントがアイテム選択ポリシーを作成している。
その結果,本手法による性能改善は,いくつかのよく知られたベースラインと比較して有意な結果が得られた。
論文 参考訳(メタデータ) (2024-09-11T17:01:06Z) - Hierarchical Decomposition of Prompt-Based Continual Learning:
Rethinking Obscured Sub-optimality [55.88910947643436]
大量のラベルのないデータを実際に扱うためには、自己教師付き事前トレーニングが不可欠である。
HiDe-Promptは、タスク固有のプロンプトと統計のアンサンブルで階層的なコンポーネントを明示的に最適化する革新的なアプローチである。
実験では,HiDe-Promptの優れた性能と,継続学習における事前学習パラダイムへの頑健さを実証した。
論文 参考訳(メタデータ) (2023-10-11T06:51:46Z) - Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
大規模未ラベルデータから学ぶための2つの戦略を提案する。
第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。
第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
論文 参考訳(メタデータ) (2023-07-26T16:19:19Z) - End-to-End Modeling Hierarchical Time Series Using Autoregressive
Transformer and Conditional Normalizing Flow based Reconciliation [13.447952588934337]
本研究では, 条件付き正規化フローベース自己回帰変換器の整合に基づく, 終端から終端までの時系列予測モデルを提案する。
他の最先端手法とは異なり、明示的な後処理ステップを必要とせずに予測と和解を同時に達成する。
論文 参考訳(メタデータ) (2022-12-28T05:43:57Z) - Efficient probabilistic reconciliation of forecasts for real-valued and
count time series [0.840358257755792]
本研究では,任意の種類の予測分布を調整するための条件付けに基づく新しい手法を提案する。
次にBottom-Up Smplingと呼ばれる新しいアルゴリズムを導入し、再構成された分布から効率的にサンプリングする。
論文 参考訳(メタデータ) (2022-10-05T14:22:24Z) - Approaching sales forecasting using recurrent neural networks and
transformers [57.43518732385863]
深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。
実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。
提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
論文 参考訳(メタデータ) (2022-04-16T12:03:52Z) - Hierarchically Regularized Deep Forecasting [18.539846932184012]
本稿では,グローバルな時系列集合に沿って時系列を分解した階層予測のための新しい手法を提案する。
過去の手法とは異なり、我々の手法は時系列予測の一貫性を維持しつつ、推論時にスケーラブルである。
論文 参考訳(メタデータ) (2021-06-14T17:38:16Z) - Better than the Best: Gradient-based Improper Reinforcement Learning for
Network Scheduling [60.48359567964899]
パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。
我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
論文 参考訳(メタデータ) (2021-05-01T10:18:34Z) - Phase Retrieval using Expectation Consistent Signal Recovery Algorithm
based on Hypernetwork [73.94896986868146]
位相検索は現代の計算イメージングシステムにおいて重要な要素である。
近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。
我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
論文 参考訳(メタデータ) (2021-01-12T08:36:23Z) - A Multi-Phase Approach for Product Hierarchy Forecasting in Supply Chain
Management: Application to MonarchFx Inc [9.290757451344673]
本稿では,階層的サプライチェーンの予測を改善するために,新しい多相階層型アプローチを提案する。
提案手法を用いた予測精度は82-90%向上した。
論文 参考訳(メタデータ) (2020-06-16T05:26:11Z) - A machine learning approach for forecasting hierarchical time series [4.157415305926584]
階層時系列を予測するための機械学習手法を提案する。
予測整合は予測を調整し、階層をまたいで一貫性を持たせるプロセスである。
我々は、階層構造をキャプチャする情報を抽出するディープニューラルネットワークの能力を利用する。
論文 参考訳(メタデータ) (2020-05-31T22:26:16Z)
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。