論文の概要: SSMF: Shifting Seasonal Matrix Factorization

• arxiv url: http://arxiv.org/abs/2110.12763v1
• Date: Mon, 25 Oct 2021 09:45:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 01:42:06.172651
• Title: SSMF: Shifting Seasonal Matrix Factorization
• Title（参考訳）: SSMF: 季節行列因子のシフト
• Authors: Koki Kawabata, Siddharth Bhatia, Rui Liu, Mohit Wadhwa, Bryan Hooi
• Abstract要約: 我々は,複数の季節パターンを適応的に学習できる季節行列因子化手法,すなわちSSMFを提案する。 提案手法は,次の特性を有する: (a)データストリームの進化に伴う季節変動を検出することにより,将来の事象を正確に予測する。 提案アルゴリズムは,3つの実世界のデータストリーム上での今後の事象を正確に予測することにより,最先端のベースライン手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 19.661480233013382
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Given taxi-ride counts information between departure and destination locations, how can we forecast their future demands? In general, given a data stream of events with seasonal patterns that innovate over time, how can we effectively and efficiently forecast future events? In this paper, we propose Shifting Seasonal Matrix Factorization approach, namely SSMF, that can adaptively learn multiple seasonal patterns (called regimes), as well as switching between them. Our proposed method has the following properties: (a) it accurately forecasts future events by detecting regime shifts in seasonal patterns as the data stream evolves; (b) it works in an online setting, i.e., processes each observation in constant time and memory; (c) it effectively realizes regime shifts without human intervention by using a lossless data compression scheme. We demonstrate that our algorithm outperforms state-of-the-art baseline methods by accurately forecasting upcoming events on three real-world data streams.
• Abstract（参考訳）: 出発地と目的地の情報をタクシーで数えると、その将来の需要をどうやって予測できるのか? 一般的に、時間とともに革新する季節パターンを持つイベントのデータストリームを考えると、将来のイベントを効果的かつ効率的に予測するにはどうすればよいのか? 本稿では,複数の季節パターン(レジームと呼ばれる)を適応的に学習し,それらを切り替えることのできる季節行列分解手法,すなわちSSMFを提案する。 提案手法は以下の特性を有する。 (a)データストリームの進化に伴う季節パターンの変動を検出することにより、将来の事象を正確に予測する。 (b)オンラインの設定、すなわち、各観察を一定の時間と記憶で処理する。 (c)ロスレスデータ圧縮方式を用いることで、人間の介入なしにシチュエーションシフトを効果的に実現する。 3つの実世界のデータストリーム上でのイベントを正確に予測することにより,アルゴリズムが最先端のベースライン手法を上回ることを実証する。

関連論文リスト

• FlowScope: Enhancing Decision Making by Time Series Forecasting based on Prediction Optimization using HybridFlow Forecast Framework [0.0]
  時系列予測は気象学、小売、医療、金融などいくつかの分野において重要である。 本稿では,時系列データを予測するための汎用的で堅牢なプラットフォームであるFlowScopeを提案する。 これにより、企業に対して、インフォームドな意思決定と、パフォーマンスの最大化のための長期的な戦略を最適化することが可能になる。
  論文  参考訳（メタデータ） (2024-11-16T06:25:30Z)
• KODA: A Data-Driven Recursive Model for Time Series Forecasting and Data Assimilation using Koopman Operators [14.429071321401953]
  非線形力学系における予測とデータ同化を統合したクープマン演算子に基づく手法を提案する。 特に、Fourierドメインフィルタを使用してデータを物理的コンポーネントに切り離し、そのダイナミクスはクープマン演算子によって正確に表現できる。 複数の時系列ベンチマークにおいて,KODAが既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-29T02:25:48Z)
• Variational Mode-Driven Graph Convolutional Network for Spatiotemporal Traffic Forecasting [11.356542363919058]
  本稿では,グラフニューラルネットワークを用いた時空間(ST)トラフィック予測の解釈に着目する。 本稿では,STデータを変分モード分解(VMD)法を用いてモードに分解するフレームワークを提案する。 本稿では,LargeSTデータセット上で提案したネットワークの性能を,短期および長期の予測において評価する。
  論文  参考訳（メタデータ） (2024-08-29T01:09:30Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Probing the Robustness of Time-series Forecasting Models with CounterfacTS [1.823020744088554]
  我々は,時系列予測タスクにおけるディープラーニングモデルの堅牢性を調査するツールであるCounterfacTSを提示し,公開する。 CounterfacTSにはユーザフレンドリーなインターフェースがあり、時系列データとその予測を視覚化、比較、定量化することができる。
  論文  参考訳（メタデータ） (2024-03-06T07:34:47Z)
• 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)
• T-SaS: Toward Shift-aware Dynamic Adaptation for Streaming Data [9.829993835712422]
  本稿では,突発的な分散シフトの存在下での逐次データモデリングの課題を解決することを目的とする。 具体的には、データの急激なシフトを捉えるために、離散分布モデリング変数を持つT-SaSと呼ばれるベイズフレームワークを設計する。 提案手法は,全ネットワーク上でどのニューロンを活性化すべきかを学習することで,各分布の特定のモデルパラメータを学習する。
  論文  参考訳（メタデータ） (2023-09-05T22:55:10Z)
• Sinkhorn-Flow: Predicting Probability Mass Flow in Dynamical Systems Using Optimal Transport [89.61692654941106]
  そこで本稿では, 最適な輸送手段を用いて, 時間とともにそのような物質流を予測する新しい手法を提案する。 我々は、ソーシャルネットワークの設定において、コミュニティがどのように進化していくかを予測するタスクに、我々のアプローチを適用した。
  論文  参考訳（メタデータ） (2023-03-14T07:25:44Z)
• Time-Varying Propensity Score to Bridge the Gap between the Past and Present [104.46387765330142]
  本稿では,データ分布の段階的変化を検出するための時間変化確率スコアを提案する。 実装のさまざまな方法を示し、さまざまな問題について評価する。
  論文  参考訳（メタデータ） (2022-10-04T07:21:49Z)
• 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)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。