論文の概要: A Framework for Imbalanced Time-series Forecasting

• arxiv url: http://arxiv.org/abs/2107.10709v1
• Date: Thu, 22 Jul 2021 14:32:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-23 14:40:58.927222
• Title: A Framework for Imbalanced Time-series Forecasting
• Title（参考訳）: 不均衡時系列予測のためのフレームワーク
• Authors: Luis P. Silvestrin, Leonardos Pantiskas, Mark Hoogendoorn
• Abstract要約: 時系列予測は多くの領域で重要な役割を果たす。 いくつかのタスクでは、データセットでしばしば不足している特定の瞬間を正確に予測することに興味があります。 本稿では,不均衡を抑えるために,過小なモーメントに着目した時系列予測問題を解析するための一般的なアプローチを提案する。
• 参考スコア（独自算出の注目度）: 5.143592890123124
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-series forecasting plays an important role in many domains. Boosted by the advances in Deep Learning algorithms, it has for instance been used to predict wind power for eolic energy production, stock market fluctuations, or motor overheating. In some of these tasks, we are interested in predicting accurately some particular moments which often are underrepresented in the dataset, resulting in a problem known as imbalanced regression. In the literature, while recognized as a challenging problem, limited attention has been devoted on how to handle the problem in a practical setting. In this paper, we put forward a general approach to analyze time-series forecasting problems focusing on those underrepresented moments to reduce imbalances. Our approach has been developed based on a case study in a large industrial company, which we use to exemplify the approach.
• Abstract（参考訳）: 時系列予測は多くの領域で重要な役割を果たす。 ディープラーニングアルゴリズムの進歩によって強化され、例えば、風力発電、株式市場の変動、またはモーター過熱の予測に使用されている。 これらのタスクのいくつかでは、データセットでしばしば過小表示される特定のモーメントを正確に予測することに関心があり、その結果、不均衡回帰として知られる問題が発生する。 文献では,課題として認識されているものの,実際的な課題の扱いに限定的な注意が払われてきた。 本稿では,不均衡を抑えるために,過小なモーメントに着目した時系列予測問題を解析するための一般的なアプローチを提案する。 当社のアプローチは, 大企業におけるケーススタディに基づいて開発され, アプローチの実証に利用されている。

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)
• 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)
• Asset Bundling for Wind Power Forecasting [15.393565192962482]
  本研究は,アセットバンドル,マシンラーニング,予測和解技術を統合したBPR( Bundle-Predict-Reconcile)フレームワークを提案する。 BPRフレームワークはまず中間階層レベル(バンドル)を学習し、続いて資産、バンドル、フリートレベルでの風力発電を予測し、最後にすべての予測を整合性を確保するために調整する。
  論文  参考訳（メタデータ） (2023-09-28T14:56:34Z)
• Multi-head Temporal Attention-Augmented Bilinear Network for Financial time series prediction [77.57991021445959]
  本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。 本手法の有効性を,大規模書籍市場データを用いて検証した。
  論文  参考訳（メタデータ） (2022-01-14T14:02:19Z)
• Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
  ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。 近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。 本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
  論文  参考訳（メタデータ） (2021-07-05T10:15:23Z)
• 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)
• 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)
• Time-varying neural network for stock return prediction [0.0]
  オンライン早期停止アルゴリズムを用いてトレーニングされたニューラルネットワークは、未知のダイナミクスで変化する関数を追跡することができることを示す。 また,その要因(サイズや運動量の影響など)や業界指標が,株価回復予測の時間変化を示すことも示している。
  論文  参考訳（メタデータ） (2020-03-05T10:16:13Z)

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。

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。