論文の概要: Long Horizon Forecasting With Temporal Point Processes
- arxiv url: http://arxiv.org/abs/2101.02815v2
- Date: Sun, 7 Mar 2021 16:24:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-10 05:05:46.489631
- Title: Long Horizon Forecasting With Temporal Point Processes
- Title(参考訳): 時間的点過程を用いた長地平線予測
- Authors: Prathamesh Deshpande, Kamlesh Marathe, Abir De, Sunita Sarawagi
- Abstract要約: MTPP(Marked temporal point process)は、非同期イベントを特徴付ける強力なモデリング機構として登場した。
本稿では,長期の地平線予測に特に適したデュアルTPPを開発する。
実際のデータセットの多様なセットによる実験は、DualTPPが既存のMTPP手法を長地平線予測で大幅に上回っていることを示しています。
- 参考スコア(独自算出の注目度): 22.896152113905856
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In recent years, marked temporal point processes (MTPPs) have emerged as a
powerful modeling machinery to characterize asynchronous events in a wide
variety of applications. MTPPs have demonstrated significant potential in
predicting event-timings, especially for events arriving in near future.
However, due to current design choices, MTPPs often show poor predictive
performance at forecasting event arrivals in distant future. To ameliorate this
limitation, in this paper, we design DualTPP which is specifically well-suited
to long horizon event forecasting. DualTPP has two components. The first
component is an intensity free MTPP model, which captures microscopic or
granular level signals of the event dynamics by modeling the time of future
events. The second component takes a different dual perspective of modeling
aggregated counts of events in a given time-window, thus encapsulating
macroscopic event dynamics. Then we develop a novel inference framework jointly
over the two models % for efficiently forecasting long horizon events by
solving a sequence of constrained quadratic optimization problems. Experiments
with a diverse set of real datasets show that DualTPP outperforms existing MTPP
methods on long horizon forecasting by substantial margins, achieving almost an
order of magnitude reduction in Wasserstein distance between actual events and
forecasts.
- Abstract(参考訳): 近年,多種多様なアプリケーションにおいて,非同期イベントを特徴付ける強力なモデリング機構として,MTPP( marked temporal point process)が出現している。
mtppsは、イベントの予測、特に近い将来のイベントの予測において大きな可能性を実証している。
しかし、現在の設計選択のため、MTPPは遠い未来のイベントの到着を予測する際の予測性能が低いことがしばしばある。
本報告では,この制限を緩和するために,特に長い地平線イベント予測に適したDualTPPを設計する。
DualTPPには2つのコンポーネントがある。
第1のコンポーネントは強度のないMTPPモデルであり、将来のイベントの時刻をモデル化することで、イベントダイナミクスの微視的または粒度の信号をキャプチャする。
第2のコンポーネントは、与えられた時間ウィンドウ内のイベントの集約数をモデル化する異なる双対的な視点を取り、マクロなイベントダイナミクスをカプセル化する。
そこで我々は,制約付き二次最適化問題の列を解いて,長方形事象を効率的に予測するための2つのモデル % 上で協調して新しい推論フレームワークを開発した。
様々な実際のデータセットを用いた実験により、DualTPPは、長い地平線予測において既存のMTPP法よりも優れた性能を示し、実際の事象と予測の間のワッサーシュタイン距離の約1桁の縮小を実現している。
関連論文リスト
- XTSFormer: Cross-Temporal-Scale Transformer for Irregular Time Event
Prediction [9.240950990926796]
イベント予測は、過去のイベントシーケンスに基づいて、将来のイベントの時間とタイプを予測することを目的としている。
その重要性にもかかわらず、連続するイベント間の時間間隔の不規則性、サイクルの存在、周期性、マルチスケールのイベント相互作用など、いくつかの課題が存在する。
論文 参考訳(メタデータ) (2024-02-03T20:33:39Z) - Cumulative Distribution Function based General Temporal Point Processes [49.758080415846884]
CuFunモデルは、累積分布関数(CDF)を中心に回転するTPPに対する新しいアプローチを表す
提案手法は従来のTPPモデリングに固有のいくつかの重要な問題に対処する。
コントリビューションには、先駆的なCDFベースのTPPモデルの導入、過去の事象情報を将来の事象予測に組み込む方法論の開発が含まれている。
論文 参考訳(メタデータ) (2024-02-01T07:21:30Z) - Structured, Complex and Time-complete Temporal Event Forecasting [66.17005554335029]
時間的イベント予測は、歴史で観測された出来事から次に何が起こるかを予測することを目的としている。
それまでの時間的事象の定式化は、非構造的、原子的、あるいは完全な時間的情報が欠如している。
SCTc-TE(Structured, Complex, and Time-complete Temporal Event)の新たな定式化について紹介する。
論文 参考訳(メタデータ) (2023-12-02T07:40:21Z) - Interacting Diffusion Processes for Event Sequence Forecasting [22.905775236041645]
拡散生成モデルを組み込んだ新しい手法を提案する。
このモデルはシーケンス・ツー・シーケンスの予測を容易にし、過去のイベント・シーケンスに基づいた複数ステップの予測を可能にする。
提案手法は,TPPの長期予測において,最先端のベースラインよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-10-26T22:17:25Z) - Enhancing Asynchronous Time Series Forecasting with Contrastive
Relational Inference [21.51753838306655]
時間点プロセス(TPP)は、そのようなモデリングの標準的な方法である。
既存のTPPモデルは、イベントの相互作用を明示的にモデル化する代わりに、将来のイベントの条件分布に焦点を当てており、イベント予測の課題を示唆している。
本稿では,ニューラル推論(NRI)を利用して,観測データから動的パターンを同時に学習しながら,相互作用を推論するグラフを学習する手法を提案する。
論文 参考訳(メタデータ) (2023-09-06T09:47:03Z) - CEP3: Community Event Prediction with Neural Point Process on Graph [59.434777403325604]
グラフニューラルネットワークとマーク付き時間点プロセス(MTPP)を組み合わせた新しいモデルを提案する。
実験では,モデルの精度と訓練効率の両面から,モデルの優れた性能を実証した。
論文 参考訳(メタデータ) (2022-05-21T15:30:25Z) - Joint Forecasting of Panoptic Segmentations with Difference Attention [72.03470153917189]
シーン内の全てのオブジェクトを共同で予測する新しいパノプティックセグメンテーション予測モデルについて検討する。
提案したモデルをCityscapesとAIODriveデータセット上で評価する。
論文 参考訳(メタデータ) (2022-04-14T17:59:32Z) - MUSE-VAE: Multi-Scale VAE for Environment-Aware Long Term Trajectory
Prediction [28.438787700968703]
条件付きMUSEは、現在の最先端技術と比較して、多様かつ同時に正確な予測を提供する。
我々は、新しい合成データセットであるPFSDと同様に、nuScenesとSDDベンチマークに関する包括的な実験を通してこれらのアサーションを実証する。
論文 参考訳(メタデータ) (2022-01-18T18:40:03Z) - Linking Across Data Granularity: Fitting Multivariate Hawkes Processes
to Partially Interval-Censored Data [55.31692043677966]
特定の応用において、ある次元における個々の事象のタイムスタンプは観測不可能である。
本稿では,パラメータ等価性をMPPと共有する新しい点過程であるPMBP(Partial Mean Behavior Poisson)プロセスを紹介する。
合成および実世界のデータセットを用いたPMBPプロセスの能力を実証する。
論文 参考訳(メタデータ) (2021-11-03T08:25:35Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳(メタデータ) (2020-02-21T13:48:13Z)
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。