論文の概要: Warped Dynamic Linear Models for Time Series of Counts
- arxiv url: http://arxiv.org/abs/2110.14790v1
- Date: Wed, 27 Oct 2021 21:44:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-30 09:29:53.273547
- Title: Warped Dynamic Linear Models for Time Series of Counts
- Title(参考訳): 時系列数に対するワープ動的線形モデル
- Authors: Brian King and Daniel R. Kowal
- Abstract要約: ガウスDLMをワープすることで時系列をカウントする新しい手法を提案する。
これらの結果を利用して、推論と予測のためのカスタマイズされた効率的な計算戦略を作成します。
- 参考スコア(独自算出の注目度): 0.4441866681085516
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dynamic Linear Models (DLMs) are commonly employed for time series analysis
due to their versatile structure, simple recursive updating, and probabilistic
forecasting. However, the options for count time series are limited: Gaussian
DLMs require continuous data, while Poisson-based alternatives often lack
sufficient modeling flexibility. We introduce a novel methodology for count
time series by warping a Gaussian DLM. The warping function has two components:
a transformation operator that provides distributional flexibility and a
rounding operator that ensures the correct support for the discrete
data-generating process. Importantly, we develop conjugate inference for the
warped DLM, which enables analytic and recursive updates for the state space
filtering and smoothing distributions. We leverage these results to produce
customized and efficient computing strategies for inference and forecasting,
including Monte Carlo simulation for offline analysis and an optimal particle
filter for online inference. This framework unifies and extends a variety of
discrete time series models and is valid for natural counts, rounded values,
and multivariate observations. Simulation studies illustrate the excellent
forecasting capabilities of the warped DLM. The proposed approach is applied to
a multivariate time series of daily overdose counts and demonstrates both
modeling and computational successes.
- Abstract(参考訳): 動的線形モデル(DLM)は、その汎用構造、単純な再帰的更新、確率予測により時系列解析に一般的に用いられる。
ガウス的DLMは連続データを必要とするが、ポアソンベースの代替は十分なモデリングの柔軟性に欠けることが多い。
ガウスDLMをワープすることで時系列をカウントする新しい手法を提案する。
ワーピング関数には2つのコンポーネントがある: 分散柔軟性を提供する変換演算子と、離散データ生成プロセスに対する正しいサポートを保証する丸め演算子である。
重要なことは、状態空間のフィルタリングとスムーズな分布に対する解析的および再帰的な更新を可能にする、歪んだDLMの共役推論を開発することである。
オフライン解析のためのモンテカルロシミュレーションや、オンライン推論のための最適粒子フィルタを含む、推論と予測のためのカスタマイズされた効率的な計算戦略を作成する。
このフレームワークは様々な離散時系列モデルを統一し拡張し、自然数、丸い値、多変量観測に有効である。
シミュレーション研究は、歪んだDLMの優れた予測能力を示している。
提案手法は, 日々の過剰摂取回数の多変量時系列に適用し, モデル化と計算成功の両立を実証する。
関連論文リスト
- A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。
後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。
実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
論文 参考訳(メタデータ) (2024-02-26T04:39:01Z) - Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。
クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。
KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
論文 参考訳(メタデータ) (2023-10-04T07:14:43Z) - Time Series Continuous Modeling for Imputation and Forecasting with Implicit Neural Representations [15.797295258800638]
本稿では,実世界のデータでしばしば発生する課題に対処するために,時系列計算と予測のための新しいモデリング手法を提案する。
本手法はシリーズの進化力学の連続時間依存モデルに依存する。
メタラーニングアルゴリズムによって駆動される変調機構は、観測されたタイムウインドウを超えて、見えないサンプルや外挿への適応を可能にする。
論文 参考訳(メタデータ) (2023-06-09T13:20:04Z) - Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood
Estimation for Latent Gaussian Models [69.22568644711113]
我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。
理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。
シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
論文 参考訳(メタデータ) (2023-06-05T21:08:34Z) - DynaConF: Dynamic Forecasting of Non-Stationary Time Series [4.286546152336783]
非定常条件分布を時間とともにモデル化する新しい手法を提案する。
我々のモデルは、最先端のディープラーニングソリューションよりも定常的でない時系列に適応できることを示します。
論文 参考訳(メタデータ) (2022-09-17T21:40:02Z) - Wasserstein multivariate auto-regressive models for modeling distributional time series [0.0]
本稿では,複数の確率測度の集合からなるデータの統計的解析に着目する。
時間依存確率測度をワッサーシュタイン空間のランダムな対象としてモデル化することにより、新しい自己回帰モデルを提案する。
このようなモデルの解の存在、特異性、定常性に関する結果が提供される。
論文 参考訳(メタデータ) (2022-07-12T10:18:36Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2022-05-16T07:53:42Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳(メタデータ) (2022-02-07T21:37:29Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳(メタデータ) (2021-02-02T06:15:15Z) - Temporal Latent Auto-Encoder: A Method for Probabilistic Multivariate
Time Series Forecasting [4.131842516813833]
時間系列の非線形ファクタリゼーションを可能にする新しい時間的潜時オートエンコーダ法を提案する。
確率的潜時空間モデルにより、入力系列の複雑な分布はデコーダを介してモデル化される。
我々のモデルは、多くの一般的な多変量データセット上で最先端のパフォーマンスを達成し、いくつかの標準メトリクスに対して最大50%のゲインを得られることがある。
論文 参考訳(メタデータ) (2021-01-25T22:29:40Z) - Multivariate Probabilistic Time Series Forecasting via Conditioned
Normalizing Flows [8.859284959951204]
時系列予測は科学的・工学的な問題の基本である。
深層学習法はこの問題に適している。
多くの実世界のデータセットにおける標準メトリクスの最先端よりも改善されていることを示す。
論文 参考訳(メタデータ) (2020-02-14T16:16:51Z)
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。