論文の概要: Optimal Prediction Intervals for Macroeconomic Time Series Using Chaos
and NSGA II
- arxiv url: http://arxiv.org/abs/2102.11427v1
- Date: Tue, 23 Feb 2021 00:13:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-24 13:48:35.429422
- Title: Optimal Prediction Intervals for Macroeconomic Time Series Using Chaos
and NSGA II
- Title(参考訳): Chaos と NSGA II を用いたマクロ経済時系列の最適予測間隔
- Authors: Vangala Sarveswararao, Vadlamani Ravi and Sheik Tanveer Ul Huq
- Abstract要約: 本稿では,2目的最適化問題として時系列における予測区間(PI)の定式化を提案する。
また,時系列に存在するカオスを前処理としてモデル化し,時系列に存在する決定論的不確実性をモデル化することを提案した。
- 参考スコア(独自算出の注目度): 2.011028799145883
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In a first-of-its-kind study, this paper proposes the formulation of
constructing prediction intervals (PIs) in a time series as a bi-objective
optimization problem and solves it with the help of Nondominated Sorting
Genetic Algorithm (NSGA-II). We also proposed modeling the chaos present in the
time series as a preprocessor in order to model the deterministic uncertainty
present in the time series. Even though the proposed models are general in
purpose, they are used here for quantifying the uncertainty in macroeconomic
time series forecasting. Ideal PIs should be as narrow as possible while
capturing most of the data points. Based on these two objectives, we formulated
a bi-objective optimization problem to generate PIs in 2-stages, wherein
reconstructing the phase space using Chaos theory (stage-1) is followed by
generating optimal point prediction using NSGA-II and these point predictions
are in turn used to obtain PIs (stage-2). We also proposed a 3-stage hybrid,
wherein the 3rd stage invokes NSGA-II too in order to solve the problem of
constructing PIs from the point prediction obtained in 2nd stage. The proposed
models when applied to the macroeconomic time series, yielded better results in
terms of both prediction interval coverage probability (PICP) and prediction
interval average width (PIAW) compared to the state-of-the-art Lower Upper
Bound Estimation Method (LUBE) with Gradient Descent (GD). The 3-stage model
yielded better PICP compared to the 2-stage model but showed similar
performance in PIAW with added computation cost of running NSGA-II second time.
- Abstract(参考訳): 本稿では,二目的最適化問題として時系列における予測区間(PI)の定式化を提案し,Nondominated Sorting Genetic Algorithm (NSGA-II) の助けを借りて解決する。
また,時系列に存在するカオスを前処理としてモデル化し,時系列に存在する決定論的不確実性をモデル化することを提案した。
提案モデルは汎用的ではあるが,マクロ経済時系列予測の不確かさの定量化に用いられている。
理想のPIは可能な限り狭くし、ほとんどのデータポイントをキャプチャするべきです。
これら2つの目的に基づき, PIを2段階に生成するための両対象最適化問題を策定し, カオス理論を用いた位相空間の再構築(ステージ-1)を行い, NSGA-IIを用いた最適点予測を行い, これらの点予測をPIの取得に用いる(ステージ-2)。
また,第3段階がNSGA-IIを起動し,第2段階の点予測からPIを構成する問題を解く3段階のハイブリッドも提案した。
提案手法をマクロ経済時系列に適用した場合, 予測区間被覆率 (PICP) と予測区間平均幅 (PIAW) の両面において, 勾配Descent (GD) を用いた下層境界推定法 (LUBE) と比較し, 良好な結果を得た。
3段モデルでは2段モデルと比較してPICPが向上したが, NSGA-II2次動作の計算コストが増大し, PIAWでは同様の性能を示した。
関連論文リスト
- Closed-form Filtering for Non-linear Systems [83.91296397912218]
我々は密度近似と計算効率の面でいくつかの利点を提供するガウスPSDモデルに基づく新しいフィルタのクラスを提案する。
本研究では,遷移や観測がガウスPSDモデルである場合,フィルタリングを効率的にクローズド形式で行うことができることを示す。
提案する推定器は, 近似の精度に依存し, 遷移確率の正則性に適応する推定誤差を伴って, 高い理論的保証を享受する。
論文 参考訳(メタデータ) (2024-02-15T08:51:49Z) - Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。
我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。
限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
論文 参考訳(メタデータ) (2023-11-30T18:59:44Z) - DF2: Distribution-Free Decision-Focused Learning [53.2476224456902]
決定中心学習(DFL)は近年,予測最適化問題に対する強力なアプローチとして出現している。
既存のエンドツーエンドDFL法は、モデル誤差、サンプル平均近似誤差、予測対象の分布に基づくパラメータ化の3つの重大なボトルネックによって妨げられている。
DF2は,これら3つのボトルネックに明示的に対処するために設計された,初となるテキストフリーな意思決定型学習手法である。
論文 参考訳(メタデータ) (2023-08-11T00:44:46Z) - Spatio-temporal DeepKriging for Interpolation and Probabilistic
Forecasting [2.494500339152185]
本稿では、時間・時間・予測のためのディープニューラルネットワーク(DNN)に基づく2段階モデルを提案する。
我々は、確率予測を提供するために、量子ベースの損失関数をプロセスに導入する。
複雑な時間過程の大規模予測に適している。
論文 参考訳(メタデータ) (2023-06-20T11:51:44Z) - Dual Accuracy-Quality-Driven Neural Network for Prediction Interval Generation [0.0]
本稿では,回帰に基づくニューラルネットワークの予測間隔を自動的に学習する手法を提案する。
我々の主な貢献は、PI世代ネットワークのための新しい損失関数の設計である。
合成データセット,8つのベンチマークデータセット,および実世界の収量予測データセットを用いて実験したところ,本手法は有意な確率カバレッジを維持することができた。
論文 参考訳(メタデータ) (2022-12-13T05:03:16Z) - Normalized/Clipped SGD with Perturbation for Differentially Private
Non-Convex Optimization [94.06564567766475]
DP-SGDとDP-NSGDは、センシティブなトレーニングデータを記憶する大規模モデルのリスクを軽減する。
DP-NSGD は DP-SGD よりも比較的チューニングが比較的容易であるのに対して,これらの2つのアルゴリズムは同様の精度を実現する。
論文 参考訳(メタデータ) (2022-06-27T03:45:02Z) - Scalable Optimal Transport in High Dimensions for Graph Distances,
Embedding Alignment, and More [7.484063729015126]
最適輸送のためのコスト行列の2つの効率的な対数線形時間近似を提案する。
これらの近似は、複雑な高次元空間に対してもよく機能するエントロピー規則化OTに対する一般的な対数線形時間アルゴリズムを可能にする。
グラフ距離回帰のために,グラフニューラルネットワーク(GNN)と拡張シンクホーンを組み合わせたグラフトランスポートネットワーク(GTN)を提案する。
論文 参考訳(メタデータ) (2021-07-14T17:40:08Z) - Bayesian imaging using Plug & Play priors: when Langevin meets Tweedie [13.476505672245603]
本稿では,ベイズ推定を事前に行うための理論,方法,および証明可能な収束アルゴリズムを開発する。
モンテカルロサンプリングとMMSEに対する-ULA(Unadjusted Langevin)アルゴリズム推論と、推論のための定量的SGD(Stochastic Gradient Descent)の2つのアルゴリズムを紹介します。
このアルゴリズムは、点推定や不確実性の可視化や規則性に使用される画像のノイズ除去、インペインティング、ノイズ除去などのいくつかの問題で実証されています。
論文 参考訳(メタデータ) (2021-03-08T12:46:53Z) - Deep Distributional Time Series Models and the Probabilistic Forecasting
of Intraday Electricity Prices [0.0]
本稿では,深部時系列確率モデルを構築するための2つのアプローチを提案する。
1つ目は、ESNの出力層が、追加の正規化の前に乱れと縮小がある点である。
第二のアプローチは、特徴空間上の深いコプラ過程であるガウス乱れを伴うESNの暗黙のコプラを用いる。
論文 参考訳(メタデータ) (2020-10-05T08:02:29Z) - Improving predictions of Bayesian neural nets via local linearization [79.21517734364093]
ガウス・ニュートン近似は基礎となるベイズニューラルネットワーク(BNN)の局所線形化として理解されるべきである。
この線形化モデルを後部推論に使用するので、元のモデルではなく、この修正モデルを使用することも予測すべきである。
この修正された予測を"GLM predictive"と呼び、Laplace近似の共通不適合問題を効果的に解決することを示す。
論文 参考訳(メタデータ) (2020-08-19T12:35:55Z) - APQ: Joint Search for Network Architecture, Pruning and Quantization
Policy [49.3037538647714]
本稿では,リソース制約のあるハードウェア上での効率的なディープラーニング推論のためのAPQを提案する。
ニューラルアーキテクチャ、プルーニングポリシー、量子化ポリシーを別々に検索する従来の方法とは異なり、我々はそれらを共同で最適化する。
同じ精度で、APQはMobileNetV2+HAQよりもレイテンシ/エネルギーを2倍/1.3倍削減する。
論文 参考訳(メタデータ) (2020-06-15T16:09:17Z)
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。