論文の概要: Probabilistic Hierarchical Forecasting with Deep Poisson Mixtures

• arxiv url: http://arxiv.org/abs/2110.13179v8
• Date: Tue, 11 Apr 2023 16:24:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-12 19:44:24.984428
• Title: Probabilistic Hierarchical Forecasting with Deep Poisson Mixtures
• Title（参考訳）: 深いポアソン混合による確率的階層予測
• Authors: Kin G. Olivares and O. Nganba Meetei and Ruijun Ma and Rohan Reddy and Mengfei Cao and Lee Dicker
• Abstract要約: 本稿では,信頼性の高い階層情報が存在する場合に,時系列の正確で一貫性のある確率予測を行う新しい手法を提案する。 私たちはそれをDeep Poisson Mixture Network(DPMN)と呼ぶ。 ニューラルネットワークと階層時系列構造の結合分布の統計モデルの組み合わせに依存している。
• 参考スコア（独自算出の注目度）: 2.1670528702668648
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Hierarchical forecasting problems arise when time series have a natural group structure, and predictions at multiple levels of aggregation and disaggregation across the groups are needed. In such problems, it is often desired to satisfy the aggregation constraints in a given hierarchy, referred to as hierarchical coherence in the literature. Maintaining coherence while producing accurate forecasts can be a challenging problem, especially in the case of probabilistic forecasting. We present a novel method capable of accurate and coherent probabilistic forecasts for time series when reliable hierarchical information is present. We call it Deep Poisson Mixture Network (DPMN). It relies on the combination of neural networks and a statistical model for the joint distribution of the hierarchical multivariate time series structure. By construction, the model guarantees hierarchical coherence and provides simple rules for aggregation and disaggregation of the predictive distributions. We perform an extensive empirical evaluation comparing the DPMN to other state-of-the-art methods which produce hierarchically coherent probabilistic forecasts on multiple public datasets. Comparing to existing coherent probabilistic models, we obtain a relative improvement in the overall Continuous Ranked Probability Score (CRPS) of 11.8% on Australian domestic tourism data, and 8.1% on the Favorita grocery sales dataset, where time series are grouped with geographical hierarchies or travel intent hierarchies. For San Francisco Bay Area highway traffic, where the series' hierarchical structure is randomly assigned, and their correlations are less informative, our method does not show significant performance differences over statistical baselines.
• Abstract（参考訳）: 階層的な予測問題は、時系列が自然なグループ構造を持つときに起こり、グループ全体にわたる複数のレベルの集約と分解の予測が必要である。 このような問題では、与えられた階層における集約制約を満たすことがしばしば求められ、文献では階層コヒーレンスと呼ばれる。 正確な予測を生成しながらコヒーレンスを維持することは、特に確率的予測の場合、難しい問題である。 本稿では,信頼性の高い階層情報が存在する場合に,時系列の正確で一貫性のある確率予測を行う新しい手法を提案する。 Deep Poisson Mixture Network (DPMN)と呼ぶ。 これはニューラルネットワークと階層的多変量時系列構造の結合分布の統計モデルの組み合わせに依存している。 構築により、モデルは階層的コヒーレンスを保証し、予測分布の集約と分解のための単純な規則を提供する。 本研究では,複数のパブリックデータセット上で階層的にコヒーレントな確率的予測を行う他の最先端手法とdpmnを比較し,広範な経験的評価を行う。 既存のコヒーレント確率モデルと比較して、オーストラリアの国内観光データで11.8%の連続ランク確率スコア(CRPS)と、時系列を地理的階層や旅行意図階層に分類したFariita食料品販売データセットで8.1%の相対的な改善が得られる。 シリーズの階層構造がランダムに割り当てられるサンフランシスコベイエリアハイウェイの交通量について,その相関性は低いが,本手法は統計的ベースラインに対して有意な性能差を示さない。

関連論文リスト

• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• A Top-Down Approach to Hierarchically Coherent Probabilistic Forecasting [21.023456590248827]
  注意に基づく新しいRNNモデルを用いて、各親予測が任意の時点において、その子ノード間で分割される割合の分布を学習する。 結果の予測はトップダウンで計算され、自然にコヒーレントである。
  論文  参考訳（メタデータ） (2022-04-21T21:32:28Z)
• MECATS: Mixture-of-Experts for Quantile Forecasts of Aggregated Time Series [11.826510794042548]
  我々はtexttMECATS という異種の専門家フレームワークを混合して導入する。 集約階層を通じて関連付けられた時系列の集合の値を同時に予測する。 異なる種類の予測モデルを個別の専門家として使用することで、各モデルの形式を対応する時系列の性質に合わせて調整することができる。
  論文  参考訳（メタデータ） (2021-12-22T05:05:30Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Hierarchically Regularized Deep Forecasting [18.539846932184012]
  本稿では,グローバルな時系列集合に沿って時系列を分解した階層予測のための新しい手法を提案する。 過去の手法とは異なり、我々の手法は時系列予測の一貫性を維持しつつ、推論時にスケーラブルである。
  論文  参考訳（メタデータ） (2021-06-14T17:38:16Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)

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。