論文の概要: Analysis and modeling to forecast in time series: a systematic review
- arxiv url: http://arxiv.org/abs/2104.00164v1
- Date: Wed, 31 Mar 2021 23:48:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-02 13:54:25.409078
- Title: Analysis and modeling to forecast in time series: a systematic review
- Title（参考訳）: 時系列予測のための分析とモデリング:系統的考察
- Authors: Fatoumata Dama, Christine Sinoquet
- Abstract要約: 本稿では,時系列解析とモデリングに特化した最先端の手法とモデルについて,最終予測をめざして検討する。
本総説は, 時系列分解, 定常試験, モデリング, 予測を網羅し, 全プロセスフローを包括的に把握することを目的としている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper surveys state-of-the-art methods and models dedicated to time
series analysis and modeling, with the final aim of prediction. This review
aims to offer a structured and comprehensive view of the full process flow, and
encompasses time series decomposition, stationary tests, modeling and
forecasting. Besides, to meet didactic purposes, a unified presentation has
been adopted throughout this survey, to present decomposition frameworks on the
one hand and linear and nonlinear time series models on the other hand. First,
we decrypt the relationships between stationarity and linearity, and further
examine the main classes of methods used to test for weak stationarity. Next,
the main frameworks for time series decomposition are presented in a unified
way: depending on the time series, a more or less complex decomposition scheme
seeks to obtain nonstationary effects (the deterministic components) and a
remaining stochastic component. An appropriate modeling of the latter is a
critical step to guarantee prediction accuracy. We then present three popular
linear models, together with two more flexible variants of the latter. A step
further in model complexity, and still in a unified way, we present five major
nonlinear models used for time series. Amongst nonlinear models, artificial
neural networks hold a place apart as deep learning has recently gained
considerable attention. A whole section is therefore dedicated to time series
forecasting relying on deep learning approaches. A final section provides a
list of R and Python implementations for the methods, models and tests
presented throughout this review. In this document, our intention is to bring
sufficient in-depth knowledge, while covering a broad range of models and
forecasting methods: this compilation spans from well-established conventional
approaches to more recent adaptations of deep learning to time series
forecasting.
- Abstract（参考訳）: 本稿では,時系列解析とモデリングに特化した最先端の手法とモデルについて,最終予測をめざして検討する。
本総説は, 時系列分解, 定常試験, モデリング, 予測を網羅し, 全プロセスフローを包括的に把握することを目的としている。
さらに,本調査では,一方の分解フレームワークと他方の線形時系列モデル,非線形時系列モデルについて,統一的なプレゼンテーションが実施されている。
まず, 定常性と線形性の関係を復号し, さらに, 弱定常性試験に用いる手法の主クラスについて検討する。
次に、時系列分解のための主要なフレームワークが統一された方法で提示される: 時系列に応じて、多かれ少なかれ複雑な分解スキームは、非定常効果(決定論的要素)と残りの確率的成分を得ようとする。
後者の適切なモデリングは、予測精度を保証するための重要なステップである。
次に、よりフレキシブルな2つの後者の変種とともに、人気のある3つの線形モデルを示す。
モデルの複雑さをさらに高め、さらに統一的な方法では、時系列に使用される5つの主要な非線形モデルを示す。
非線形モデルの中で、ディープラーニングが最近注目を集めているため、ニューラルネットワークは場所を分けている。
したがって、すべてのセクションは、ディープラーニングアプローチに依存する時系列予測専用である。
最後のセクションでは、このレビューを通じて提示されたメソッド、モデル、テストのためのRとPythonの実装のリストが提供されている。
本論文では,従来の手法から近年の深層学習から時系列予測への適応に至るまで,幅広いモデルや予測手法を網羅しながら,十分な深層知識を提供することを目的としている。
関連論文リスト
- Recurrent Neural Goodness-of-Fit Test for Time Series [8.22915954499148]
時系列データは、金融や医療など、さまざまな分野において重要である。
従来の評価基準は、時間的依存関係と潜在的な特徴の高次元性のために不足している。
Recurrent Neural (RENAL) Goodness-of-Fit testは,生成時系列モデルを評価するための新しい,統計的に厳密なフレームワークである。
論文 参考訳（メタデータ） (2024-10-17T19:32:25Z) - Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
時系列データは、現実世界のシナリオにおいて非常に重要である。
近年、時系列コミュニティで顕著なブレークスルーが見られた。
多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
論文 参考訳（メタデータ） (2024-07-18T08:31:55Z) - Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳（メタデータ） (2024-02-12T16:15:25Z) - Time Series Continuous Modeling for Imputation and Forecasting with Implicit Neural Representations [15.797295258800638]
本稿では,実世界のデータでしばしば発生する課題に対処するために,時系列計算と予測のための新しいモデリング手法を提案する。
本手法はシリーズの進化力学の連続時間依存モデルに依存する。
メタラーニングアルゴリズムによって駆動される変調機構は、観測されたタイムウインドウを超えて、見えないサンプルや外挿への適応を可能にする。
論文 参考訳（メタデータ） (2023-06-09T13:20:04Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳（メタデータ） (2022-02-07T21:37:29Z) - Meta-Forecasting by combining Global DeepRepresentations with Local
Adaptation [12.747008878068314]
メタグローバルローカル自動回帰(Meta-GLAR)と呼ばれる新しい予測手法を導入する。
それは、リカレントニューラルネットワーク(RNN)によって生成された表現からワンステップアヘッド予測へのマッピングをクローズドフォームで学習することで、各時系列に適応する。
本手法は,先行研究で報告されたサンプル外予測精度において,最先端の手法と競合する。
論文 参考訳（メタデータ） (2021-11-05T11:45:02Z) - Randomized Neural Networks for Forecasting Time Series with Multiple
Seasonality [0.0]
この研究は、新しいランダム化に基づく学習手法を用いたニューラル予測モデルの開発に寄与する。
時系列のパターンに基づく表現は、複数の季節の時系列を予測するのに有用である。
論文 参考訳（メタデータ） (2021-07-04T18:39:27Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Time Adaptive Gaussian Model [0.913755431537592]
我々のモデルは、時間的グラフィカルモデルの推論のための最先端手法の一般化である。
時間内にデータポイントをクラスタリングすることでパターン認識を行い、観察された変数間の確率的(そしておそらく因果関係)関係を見つける。
論文 参考訳（メタデータ） (2021-02-02T00:28:14Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳（メタデータ） (2020-10-27T17:54:12Z)
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。