論文の概要: Long Range Probabilistic Forecasting in Time-Series using High Order Statistics

• arxiv url: http://arxiv.org/abs/2111.03394v1
• Date: Fri, 5 Nov 2021 11:10:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-08 14:44:56.567960
• Title: Long Range Probabilistic Forecasting in Time-Series using High Order Statistics
• Title（参考訳）: 高次統計を用いた時系列の長距離確率予測
• Authors: Prathamesh Deshpande, Sunita Sarawagi
• Abstract要約: 本稿では,ベースレベルとアグリゲーション統計量で一致した予測を生成する新しい確率予測手法を提案する。 提案手法は,3つの領域にまたがる実際のデータセットにおいて,ベースレベルと非表示アグリゲーションの両方で予測性能を向上することを示す。
• 参考スコア（独自算出の注目度）: 19.12411040726229
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Long range forecasts are the starting point of many decision support systems that need to draw inference from high-level aggregate patterns on forecasted values. State of the art time-series forecasting methods are either subject to concept drift on long-horizon forecasts, or fail to accurately predict coherent and accurate high-level aggregates. In this work, we present a novel probabilistic forecasting method that produces forecasts that are coherent in terms of base level and predicted aggregate statistics. We achieve the coherency between predicted base-level and aggregate statistics using a novel inference method. Our inference method is based on KL-divergence and can be solved efficiently in closed form. We show that our method improves forecast performance across both base level and unseen aggregates post inference on real datasets ranging three diverse domains.
• Abstract（参考訳）: 長距離予測は、予測値の高レベル集約パターンから推論を引き出す必要がある多くの意思決定支援システムの出発点である。 最先端の時系列予測手法は、ロングホライゾン予測のコンセプトドリフトを受けるか、コヒーレントで正確なハイレベルアグリゲーションを正確に予測できないかのいずれかである。 本稿では,ベースレベルと予測集計統計量で一貫性のある予測を生成する新しい確率的予測手法を提案する。 予測ベースレベル統計と集計統計のコヒーレンスを,新しい推論法を用いて達成する。 提案手法はKL分割に基づいており, クローズドな方法で効率的に解ける。 提案手法は,3つの領域にまたがる実際のデータセットにおいて,ベースレベルと非表示アグリゲーションの両方で予測性能を向上することを示す。

関連論文リスト

• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Forecasting with Deep Learning: Beyond Average of Average of Average Performance [0.393259574660092]
  予測モデルの評価と比較の現在のプラクティスは、パフォーマンスを1つのスコアにまとめることに集中しています。 複数の視点からモデルを評価するための新しいフレームワークを提案する。 このフレームワークの利点は、最先端のディープラーニングアプローチと古典的な予測手法を比較して示す。
  論文  参考訳（メタデータ） (2024-06-24T12:28:22Z)
• 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)
• 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)
• 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)
• 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)
• Hierarchical forecast reconciliation with machine learning [0.34998703934432673]
  本稿では,機械学習に基づく新しい階層的予測手法を提案する。 これは、サンプル後の経験的予測精度とコヒーレンスの改善の目的を構造的に組み合わせている。 本研究では,提案手法が既存手法よりも優れた点予測を与えることを示す。
  論文  参考訳（メタデータ） (2020-06-03T04:49:39Z)

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。