Fugu-MT 論文翻訳(概要): Historical Inertia: An Ignored but Powerful Baseline for Long Sequence Time-series Forecasting

論文の概要: Historical Inertia: An Ignored but Powerful Baseline for Long Sequence Time-series Forecasting

arxiv url: http://arxiv.org/abs/2103.16349v2
Date: Wed, 31 Mar 2021 15:58:05 GMT
ステータス: 処理完了
システム内更新日: 2021-04-01 12:20:33.508876
Title: Historical Inertia: An Ignored but Powerful Baseline for Long Sequence Time-series Forecasting
Title（参考訳）: 歴史的慣性:長い時系列予測のための無視されるが強力なベースライン
Authors: Yue Cui, Jiandong Xie and Kai Zheng
Abstract要約: 4つの公開実語データセットの履歴慣性パワーを実験的に評価する。その結果, HIを直接出力として採用しても, 最先端の作業よりも82%の相対的な改善が達成できることがわかった。
参考スコア（独自算出の注目度）: 6.777602089081326
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Long sequence time-series forecasting (LSTF) has become increasingly popular for its wide range of applications. Though superior models have been proposed to enhance the prediction effectiveness and efficiency, it is reckless to ignore or underestimate one of the most natural and basic temporal properties of time-series, the historical inertia (HI), which refers to the most recent data-points in the input time series. In this paper, we experimentally evaluate the power of historical inertia on four public real-word datasets. The results demonstrate that up to 82% relative improvement over state-of-the-art works can be achieved even by adopting HI directly as output.
Abstract（参考訳）: LSTF(Long sequence time-series forecasting)はその広範囲のアプリケーションで人気が高まっている。予測の有効性と効率を高めるために優れたモデルが提案されているが、時系列の最も自然で基本的な時間的特性である履歴慣性(HI)を無視または過小評価することは無謀である。本稿では,4つの公開実単語データセットに対する履歴慣性の影響を実験的に評価する。その結果, HIを直接出力として採用しても, 82%の相対的改善が達成できることが示唆された。

関連論文リスト

HiPPO-KAN: Efficient KAN Model for Time Series Analysis [8.282069955797171]
我々は、HiPPO理論をコルモゴロフ・アルノルドネットワーク(KAN)フレームワークに導入する。このHiPPO-KANモデルは、パラメータ数を増大させることなく、長いシーケンスデータに対して優れた性能を達成する。また,時系列予測モデルでよく発生する遅延問題にも対処する。
論文参考訳（メタデータ） (2024-10-19T02:03:50Z)
HR-Extreme: A High-Resolution Dataset for Extreme Weather Forecasting [12.561873438789242]
本研究では,高解像度の極端気象事例を包含した包括的データセットを提案する。 HR-Extreme上での最先端ディープラーニングモデルと数値気象予測システム(NWP)の評価を行った。
論文参考訳（メタデータ） (2024-09-27T16:20:51Z)
State Sequences Prediction via Fourier Transform for Representation Learning [111.82376793413746]
本研究では,表現表現を効率よく学習する新しい方法である,フーリエ変換(SPF)による状態列予測を提案する。本研究では,状態系列における構造情報の存在を理論的に解析する。実験により,提案手法はサンプル効率と性能の両面で,最先端のアルゴリズムよりも優れていることが示された。
論文参考訳（メタデータ） (2023-10-24T14:47:02Z)
Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文参考訳（メタデータ） (2023-10-09T18:34:29Z)
Pushing the Limits of Pre-training for Time Series Forecasting in the CloudOps Domain [54.67888148566323]
クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
論文参考訳（メタデータ） (2023-10-08T08:09:51Z)
Exploring the Limits of Historical Information for Temporal Knowledge Graph Extrapolation [59.417443739208146]
本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。 CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。提案したモデルを5つのベンチマークグラフで評価する。
論文参考訳（メタデータ） (2023-08-29T03:26:38Z)
MPR-Net:Multi-Scale Pattern Reproduction Guided Universality Time Series Interpretable Forecasting [13.790498420659636]
時系列予測は、その広範な応用が本質的に困難なため、既存の研究から幅広い関心を集めている。本稿では,まず,畳み込み操作を用いてマルチスケールの時系列パターンを適応的に分解し,パターン再現の既知に基づいてパターン拡張予測手法を構築し,最終的に畳み込み操作を用いて将来的なパターンを再構築する。時系列に存在する時間的依存関係を活用することで、MPR-Netは線形時間複雑性を達成するだけでなく、予測プロセスも解釈できる。
論文参考訳（メタデータ） (2023-07-13T13:16:01Z)
Retrieval Based Time Series Forecasting [37.48394754614059]
時系列データは、スマートトランスポートや環境モニタリングなど、さまざまなアプリケーションに現れる。時系列解析の基本的な問題の1つは時系列予測である。理論的にも実証的にも,関連する時系列を参照として検索することで,不確実性を効果的に低減できることを示す。
論文参考訳（メタデータ） (2022-09-27T16:43:55Z)
Split Time Series into Patches: Rethinking Long-term Series Forecasting with Dateformer [17.454822366228335]
時間は時系列の最も重要な特徴の1つだが、あまり注目されていない。本稿では、上記のプラクティスに従うのではなく、モデリング時間に注意を向けるDateformerを提案する。ディザフォーマーは、40%の顕著な相対的な改善で最先端の精度を達成し、最大信頼性予測範囲を半年レベルに拡大する。
論文参考訳（メタデータ） (2022-07-12T08:58:44Z)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)
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。