論文の概要: On projection methods for functional time series forecasting
- arxiv url: http://arxiv.org/abs/2105.04399v1
- Date: Mon, 10 May 2021 14:24:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 14:39:47.930927
- Title: On projection methods for functional time series forecasting
- Title（参考訳）: 時系列関数予測のための投影法について
- Authors: Antonio El\'ias (1) and Ra\'ul Jim\'enez (2) and Hanlin Shang (3) ((1)
OASYS group, Department of Applied Mathematics, Universidad de M\'alaga,
M\'alaga, Spain, (2) Department of Statistics, Universidad Carlos III de
Madrid, Madrid, Spain, (3) Department of Actuarial Studies and Business
Analytics, Macquarie University, Sydney, Australia)
- Abstract要約: 関数時系列(FTS)予測のための2つの非パラメトリック手法
一段階の予測と動的更新の両方に対処する。
これらの方法は、シミュレーションデータ、日々の電力需要、NOx排出に適用される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Two nonparametric methods are presented for forecasting functional time
series (FTS). The FTS we observe is a curve at a discrete-time point. We
address both one-step-ahead forecasting and dynamic updating. Dynamic updating
is a forward prediction of the unobserved segment of the most recent curve.
Among the two proposed methods, the first one is a straightforward adaptation
to FTS of the $k$-nearest neighbors methods for univariate time series
forecasting. The second one is based on a selection of curves, termed \emph{the
curve envelope}, that aims to be representative in shape and magnitude of the
most recent functional observation, either a whole curve or the observed part
of a partially observed curve. In a similar fashion to $k$-nearest neighbors
and other projection methods successfully used for time series forecasting, we
``project'' the $k$-nearest neighbors and the curves in the envelope for
forecasting. In doing so, we keep track of the next period evolution of the
curves. The methods are applied to simulated data, daily electricity demand,
and NOx emissions and provide competitive results with and often superior to
several benchmark predictions. The approach offers a model-free alternative to
statistical methods based on FTS modeling to study the cyclic or seasonal
behavior of many FTS.
- Abstract（参考訳）: 関数時系列(FTS)を予測するための2つの非パラメトリックな方法を示す。
私たちが観測するFTSは離散時間点における曲線である。
一段階予測と動的更新の両方に対処する。
動的更新は、最新の曲線の観測されていないセグメントの前方予測である。
2つの提案手法のうち1つは、単変量時系列予測のための$k$-nearest neighbors法のFTSへの直接適応である。
第二の曲線は「emph{the curve envelope}」と呼ばれる曲線の選び方に基づいており、これは直近の関数的観測の形状と大きさを表すことを目的としており、曲線全体または部分的に観察された曲線の観察部分である。
時系列予測に有効な$k$-nearestの隣人や他のプロジェクションメソッドと同様の方法で、$k$-nearestの隣人や予測のためのエンベロープ内の曲線を ``project'' にする。
そうすることで、曲線の次の周期的な進化を追跡するのです。
これらの手法は、シミュレーションデータ、日々の電力需要、NOx排出に応用され、いくつかのベンチマーク予測よりも優れた競合結果を提供する。
このアプローチは、多くのftsの周期的または季節的挙動を研究するために、ftsモデリングに基づく統計手法のモデルフリーな代替を提供する。
関連論文リスト
- von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
円値ランダム関数上の表現的および解釈可能な分布の族を探索する。
結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。
後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
論文 参考訳（メタデータ） (2024-06-19T01:57:21Z) - Only the Curve Shape Matters: Training Foundation Models for Zero-Shot
Multivariate Time Series Forecasting through Next Curve Shape Prediction [6.166295570030646]
ゼロショット多変量時系列予測のためのエンコーダのみスタイル基礎モデルであるGeneral Time Transformer(GTT)を提案する。
GTTは、さまざまなドメインにまたがる2億の高品質時系列サンプルの大規模なデータセットで事前訓練されている。
論文 参考訳（メタデータ） (2024-02-12T11:04:14Z) - Conformal Prediction Bands for Two-Dimensional Functional Time Series [0.0]
時間発展曲面は2次元関数時系列としてモデル化することができ、関数データ解析のツールを利用することができる。
主な焦点は、予測問題の不確実性を定量化するために使用される多目的な非パラメトリックパラダイムであるコンフォーマル予測(英語版)を中心に展開される。
2次元関数時系列の確率的予測スキームを提示し、次数1の自己回帰過程をこの設定に拡張する。
論文 参考訳（メタデータ） (2022-07-27T17:23:14Z) - 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) - 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) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z) - 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) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - 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) - Stochastic Optimization for Performative Prediction [31.876692592395777]
モデルパラメータを単に更新することと、新しいモデルをデプロイすることの違いについて検討する。
各更新後にモデルを厳格にデプロイし、再デプロイする前に数回の更新を行うための収束率を証明する。
彼らは、パフォーマンス効果の強さによって、どちらのアプローチも他方よりも優れる体制が存在することを説明している。
論文 参考訳（メタデータ） (2020-06-12T00:31:16Z) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳（メタデータ） (2020-02-21T23:10:50Z)
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。