論文の概要: Short-term prediction of Time Series based on bounding techniques

• arxiv url: http://arxiv.org/abs/2101.10719v1
• Date: Tue, 26 Jan 2021 11:27:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-14 09:51:56.874449
• Title: Short-term prediction of Time Series based on bounding techniques
• Title（参考訳）: 境界手法に基づく時系列の短期予測
• Authors: Pedro Cadah\'ia and Jose Manuel Bravo Caro
• Abstract要約: 本稿では,新しい非パラメトリック手法を用いて時系列フレームワークの予測問題を再考する。 この革新は、予測誤差の上限を得るために、決定論的および決定論的確率的仮定の両方を考慮することである。 提案する予測器が予測スキームにおいて適切な結果を得ることができ、古典的非パラメトリック法に対する興味深い代替手段であることを示すためのベンチマークを含む。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper it is reconsidered the prediction problem in time series framework by using a new non-parametric approach. Through this reconsideration, the prediction is obtained by a weighted sum of past observed data. These weights are obtained by solving a constrained linear optimization problem that minimizes an outer bound of the prediction error. The innovation is to consider both deterministic and stochastic assumptions in order to obtain the upper bound of the prediction error, a tuning parameter is used to balance these deterministic-stochastic assumptions in order to improve the predictor performance. A benchmark is included to illustrate that the proposed predictor can obtain suitable results in a prediction scheme, and can be an interesting alternative method to the classical non-parametric methods. Besides, it is shown how this model can outperform the preexisting ones in a short term forecast.
• Abstract（参考訳）: 本稿では,新しい非パラメトリック手法を用いて,時系列フレームワークにおける予測問題を再検討する。 この再検討により、過去の観測データの重み付け和によって予測を得る。 これらの重みは、予測誤差の外界を最小限に抑える制約付き線形最適化問題を解くことで得られる。 予測誤差の上限を得るために決定論的仮定と確率的仮定の両方を考慮し、これらの決定論的確率的仮定のバランスをとるためにチューニングパラメータを用いて予測器の性能を向上させる。 提案する予測器が予測スキームにおいて適切な結果を得ることができ、古典的非パラメトリック法に対する興味深い代替手段であることを示すためのベンチマークを含む。 さらに、このモデルが、短時間の予測で既存のモデルよりも優れていることを示す。

関連論文リスト

• Predictive Inference with Feature Conformal Prediction [80.77443423828315]
  本稿では,特徴空間への共形予測の範囲を拡大する特徴共形予測を提案する。 特徴共形予測は、軽度仮定下では正則共形予測よりも確実に優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-01T02:57:37Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Time varying regression with hidden linear dynamics [74.9914602730208]
  線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。 反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
  論文  参考訳（メタデータ） (2021-12-29T23:37:06Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
  本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。 我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
  論文  参考訳（メタデータ） (2021-09-07T09:38:24Z)
• Can a single neuron learn quantiles? [0.0]
  単一ユニットからなる最小限のニューラルネットワークアーキテクチャに基づいて、連続確率変数に対する新しい非パラメトリック量子化推定法を導入する。 回帰の文脈では、分割された共形予測設定の下で予測の不確かさを定量化するためにこの手法を用いることができる。 ベンチマーク実験は、この手法が最先端のソリューションと品質とカバレッジの競争力があることを実証している。
  論文  参考訳（メタデータ） (2021-06-07T15:12:47Z)
• Remaining Useful Life Estimation Under Uncertainty with Causal GraphNets [0.0]
  時系列モデルの構築とトレーニングのための新しいアプローチを提案する。 提案手法は,非定常時系列の予測モデル構築に適している。
  論文  参考訳（メタデータ） (2020-11-23T21:28:03Z)
• Explainable boosted linear regression for time series forecasting [0.1876920697241348]
  時系列予測では、過去の観測を収集し分析し、将来の観測を外挿するモデルを開発する。 時系列予測のための説明可能な強化線形回帰(EBLR)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-18T22:31:42Z)
• Counterfactual Predictions under Runtime Confounding [74.90756694584839]
  本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。 本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T15:49:05Z)

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。