論文の概要: Deep Probabilistic Koopman: Long-term time-series forecasting under periodic uncertainties

• arxiv url: http://arxiv.org/abs/2106.06033v1
• Date: Thu, 10 Jun 2021 20:22:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-14 14:12:32.761578
• Title: Deep Probabilistic Koopman: Long-term time-series forecasting under periodic uncertainties
• Title（参考訳）: 周期的不確実性下での長期時系列予測
• Authors: Alex Mallen, Henning Lange, J. Nathan Kutz
• Abstract要約: 我々は、時間変化の分布を特徴付ける驚くほど単純なアプローチを導入し、将来への数千のタイムステップを合理的に正確に予測することを可能にする。 この手法はDeep Probabilistic Koopman (DPK) と呼ばれ、線形クープマン作用素理論の最近の進歩に基づいている。 本稿では,電力需要予測,大気化学,神経科学などの領域において,これらのモデルの長期予測性能を示す。
• 参考スコア（独自算出の注目度）: 7.305019142196582
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Probabilistic forecasting of complex phenomena is paramount to various scientific disciplines and applications. Despite the generality and importance of the problem, general mathematical techniques that allow for stable long-term forecasts with calibrated uncertainty measures are lacking. For most time series models, the difficulty of obtaining accurate probabilistic future time step predictions increases with the prediction horizon. In this paper, we introduce a surprisingly simple approach that characterizes time-varying distributions and enables reasonably accurate predictions thousands of timesteps into the future. This technique, which we call Deep Probabilistic Koopman (DPK), is based on recent advances in linear Koopman operator theory, and does not require time stepping for future time predictions. Koopman models also tend to have a small parameter footprint (often less than 10,000 parameters). We demonstrate the long-term forecasting performance of these models on a diversity of domains, including electricity demand forecasting, atmospheric chemistry, and neuroscience. For electricity demand modeling, our domain-agnostic technique outperforms all of 177 domain-specific competitors in the most recent Global Energy Forecasting Competition.
• Abstract（参考訳）: 複雑な現象の確率論的予測は、様々な科学分野や応用において重要である。 問題の一般性と重要性にもかかわらず、不確実性尺度を校正した安定な長期予測を可能にする一般的な数学的手法が不足している。 ほとんどの時系列モデルでは、予測地平線によって正確な確率的将来の時間ステップ予測を得るのが困難になる。 本稿では,時間変化分布を特徴付ける驚くほど単純なアプローチを導入し,将来への数千のタイムステップを合理的に予測する。 この手法は深確率koopman (dpk) と呼ばれ、線形koopman作用素理論の最近の進歩に基づいており、将来の予測には時間ステップを必要としない。 クープマンモデルは小さなパラメータフットプリントを持つ傾向がある(しばしば1万のパラメータ未満)。 本稿では,電力需要予測,大気化学,神経科学などの領域において,これらのモデルの長期予測性能を示す。 電力需要モデリングでは、最新のGlobal Energy Forecasting Competitionにおいて、ドメインに依存しない手法が177のドメイン固有の競合すべてを上回っています。

関連論文リスト

• Any-Quantile Probabilistic Forecasting of Short-Term Electricity Demand [8.068451210598678]
  電力システムは、決定論的に説明できない複数の要因から生じる不確実性の下で運用される。 ディープラーニングの最近の進歩は、ポイント予測の精度を大幅に向上させるのに役立っている。 任意の量子を予測できる分布予測のための新しい一般手法を提案する。
  論文  参考訳（メタデータ） (2024-04-26T14:43:19Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Time series prediction of open quantum system dynamics [1.0521195067086913]
  時系列予測(TSP)は、生命科学や金融など様々な分野で、将来のトレンドを予測するために広く利用されている。 我々は、深層学習技術を用いて、TSPモデルを訓練し、その性能を正確な解と比較して評価する。 本研究は,短期・長期の予測において,時系列の固有特性を効果的に把握する能力を有することを示す。
  論文  参考訳（メタデータ） (2024-01-12T05:02:15Z)
• ProbTS: Benchmarking Point and Distributional Forecasting across Diverse Prediction Horizons [23.9530536685668]
  本稿では,基本的な予測ニーズを評価するための統一プラットフォームとして設計されたベンチマークツールであるProbTSを紹介する。 異なる予測条件から生じる特徴的データの特徴を識別する。 本稿では, 時系列予測の最新モデルについて検討し, 方法論的強度と弱点の分析も適用可能であることを明らかにする。
  論文  参考訳（メタデータ） (2023-10-11T12:48:45Z)
• 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)
• SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
  不確かさの定量化は意思決定に不可欠である。 天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。 本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
  論文  参考訳（メタデータ） (2023-06-24T22:00:06Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• 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)

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。