論文の概要: Forecasting reconciliation with a top-down alignment of independent level forecasts

• arxiv url: http://arxiv.org/abs/2103.08250v1
• Date: Mon, 15 Mar 2021 10:00:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-16 14:18:07.698894
• Title: Forecasting reconciliation with a top-down alignment of independent level forecasts
• Title（参考訳）: 独立レベル予測のトップダウンアライメントによる調整予測
• Authors: Matthias Anderer and Feng Li
• Abstract要約: 全体予測性能は,下層部における断続時系列の予測精度に大きく影響している。 本稿では,階層の上層部における予測精度を高めるため,底面予測を潜時として扱う予測調整手法を提案する。
• 参考スコア（独自算出の注目度）: 3.600932575533886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hierarchical forecasting with intermittent time series is a challenge in both research and empirical studies. The overall forecasting performance is heavily affected by the forecasting accuracy of intermittent time series at bottom levels. In this paper, we present a forecasting reconciliation approach that treats the bottom level forecast as latent to ensure higher forecasting accuracy on the upper levels of the hierarchy. We employ a pure deep learning forecasting approach N-BEATS for continuous time series on top levels and a widely used tree-based algorithm LightGBM for the bottom level intermittent time series. The hierarchical forecasting with alignment approach is simple and straightforward to implement in practice. It sheds light on an orthogonal direction for forecasting reconciliation. When there is difficulty finding an optimal reconciliation, allowing suboptimal forecasts at a lower level could retain a high overall performance. The approach in this empirical study was developed by the first author during the M5 Forecasting Accuracy competition ranking second place. The approach is business orientated and could be beneficial for business strategic planning.
• Abstract（参考訳）: 断続的な時間系列による階層予測は、研究と実証的研究の両方において課題である。 全体予測性能は,下層部における断続時系列の予測精度に大きく影響している。 本稿では,階層の上位レベルでの予測精度を高めるために,ボトムレベル予測を潜在性として扱う予測調整手法を提案する。 我々は,トップレベルの連続時系列に純粋なディープラーニング予測手法n-beatsと,ボトムレベル間欠時系列に広く使用されている木ベースアルゴリズムlightgbmを用いる。 階層的予測とアライメントアプローチは、実装がシンプルで簡単なものです。 和解を予測するための直交方向の光を放つ。 最適和解を見つけるのが困難である場合には、低いレベルの最適下限予測が全体の性能を維持することができる。 この実証的研究のアプローチは、M5予測精度競争ランキング2位で最初の著者によって開発されました。 このアプローチはビジネス指向であり、ビジネス戦略的計画に有益である。

関連論文リスト

• Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
  本稿では,長期時系列予測のための制約付き学習手法を提案する。 提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-14T18:20:44Z)
• Hierarchical Forecasting at Scale [55.658563862299495]
  既存の階層予測技術は、時系列の数が増加するとスケールが低下する。 我々は,1つのボトムレベル予測モデルを用いて,数百万の時系列のコヒーレントな予測を学習することを提案する。 欧州の大規模なeコマースプラットフォームであるbolの既存の予測モデルにおいて、スパース階層的損失関数を実装した。
  論文  参考訳（メタデータ） (2023-10-19T15:06:31Z)
• 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)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• Beyond S-curves: Recurrent Neural Networks for Technology Forecasting [60.82125150951035]
  我々は機械学習と時系列予測の最近の進歩を生かしたオートコーダアプローチを開発した。 S曲線予測は、単純なARIMAベースラインに匹敵する平均パーセンテージ誤差(MAPE)を示す。 我々のオートエンコーダアプローチは、2番目に高い結果に対して平均13.5%改善する。
  論文  参考訳（メタデータ） (2022-11-28T14:16:22Z)
• 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)
• A Top-Down Approach to Hierarchically Coherent Probabilistic Forecasting [21.023456590248827]
  注意に基づく新しいRNNモデルを用いて、各親予測が任意の時点において、その子ノード間で分割される割合の分布を学習する。 結果の予測はトップダウンで計算され、自然にコヒーレントである。
  論文  参考訳（メタデータ） (2022-04-21T21:32:28Z)
• Long Range Probabilistic Forecasting in Time-Series using High Order Statistics [19.12411040726229]
  本稿では,ベースレベルとアグリゲーション統計量で一致した予測を生成する新しい確率予測手法を提案する。 提案手法は,3つの領域にまたがる実際のデータセットにおいて,ベースレベルと非表示アグリゲーションの両方で予測性能を向上することを示す。
  論文  参考訳（メタデータ） (2021-11-05T11:10:35Z)
• Model selection in reconciling hierarchical time series [2.705025060422369]
  本稿では,最も適切な階層的予測手法を動的に選択する手法を提案する。 このアプローチは機械学習の分類法に基づいており、時系列機能を主要な指標として利用する。 本結果は,条件付き階層予測が標準手法よりもはるかに正確な予測につながることを示唆している。
  論文  参考訳（メタデータ） (2020-10-21T03:40:35Z)
• Prediction of hierarchical time series using structured regularization and its application to artificial neural networks [4.696083734269231]
  本稿では,各上位時系列を適切な下位時系列を和らげて計算する階層時系列の予測について論じる。 このような階層的時系列の予測はコヒーレントでなければならない。つまり、上位級時系列の予測は対応する下位級時系列の予測の総和と等しい。
  論文  参考訳（メタデータ） (2020-07-30T00:30:32Z)
• 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。