論文の概要: DVS: Deep Visibility Series and its Application in Construction Cost Index Forecasting

• arxiv url: http://arxiv.org/abs/2111.04071v1
• Date: Sun, 7 Nov 2021 12:54:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-09 14:23:38.481066
• Title: DVS: Deep Visibility Series and its Application in Construction Cost Index Forecasting
• Title（参考訳）: dvs:deep visibility seriesとその建設コスト指数予測への応用
• Authors: Tianxiang Zhan, Yuanpeng He, Hanwen Li, Fuyuan Xiao
• Abstract要約: 視認性グラフ(VG)アルゴリズムは、過去の研究で時系列予測によく用いられるが、予測効果はディープラーニング予測法ほど良くない。 本稿では,VGの生体設計と過去の研究の展開を通じて,Deep Visibility Series (DVS)モジュールを提案する。 生体視覚の生体設計をVGに適用することにより,DVSの時系列予測精度が向上し,時系列予測に寄与した。
• 参考スコア（独自算出の注目度）: 9.22384870426709
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting has always been a hot spot in scientific research. With the development of artificial intelligence, new time series forecasting methods have obtained better forecasting effects and forecasting performance through bionic research and improvements to the past methods. Visibility Graph (VG) algorithm is often used for time series prediction in previous research, but the prediction effect is not as good as deep learning prediction methods such as Artificial Neural Network (ANN), Convolutional Neural Network (CNN) and Long Short-Term Memory Network (LSTM) prediction. The VG algorithm contains a wealth of network information, but previous studies did not effectively use the network information to make predictions, resulting in relatively large prediction errors. In order to solve this problem, this paper proposes the Deep Visibility Series (DVS) module through the bionic design of VG and the expansion of the past research, which is the first time to combine VG with bionic design and deep network. By applying the bionic design of biological vision to VG, the time series of DVS has obtained superior forecast accuracy, which has made a contribution to time series forecasting. At the same time, this paper applies the DVS forecasting method to the construction cost index forecast, which has practical significance.
• Abstract（参考訳）: 時系列予測は科学研究において常にホットスポットである。 人工知能の発展に伴い,新たな時系列予測手法により,バイオニック研究による予測効果と予測性能が向上し,過去の手法が改良された。 可視性グラフ(VG)アルゴリズムは過去の研究で時系列予測によく用いられるが、予測効果は、ニューラルネットワーク(ANN)、畳み込みニューラルネットワーク(CNN)、長短短期記憶ネットワーク(LSTM)予測のようなディープラーニング予測手法ほど良くない。 vgアルゴリズムには豊富なネットワーク情報が含まれているが、以前の研究ではネットワーク情報を効果的に予測することはできず、比較的大きな予測誤差が生じた。 そこで本稿では,vgのビオニオン設計と,vgとビオニオン設計とディープネットワークを組み合わせた最初の試みである過去の研究の拡張を通じて,dvs(deep visibility series)モジュールを提案する。 生体視覚の生体設計をVGに適用することにより,DVSの時系列予測精度が向上し,時系列予測に寄与した。 同時に,DVS予測手法を建設コスト指数予測に適用し,実用的意義を有する。

関連論文リスト

• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• 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)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• Deep Learning Architectures for FSCV, a Comparison [0.0]
  適合性は、"out-of-probe"の場合の予測性能、人工的に誘導される電気ノイズに対する応答、与えられたプローブに対してモデルがいつ不完全になるかを予測する能力によって決定される。 深い畳み込みニューラルネットワークであるInceptionTimeアーキテクチャは、テストされたモデルの最高の絶対的な予測性能を持つが、ノイズの影響を受けやすい。 単純多層型パーセプトロンアーキテクチャは2番目に低い予測誤差を有しており、人工ノイズの影響を受けていないため、畳み込みは疑わしいほど重要でない可能性がある。
  論文  参考訳（メタデータ） (2022-12-05T00:20:10Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• 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)
• Towards the Explanation of Graph Neural Networks in Digital Pathology with Information Flows [67.23405590815602]
  グラフニューラルネットワーク(GNN)は、デジタル病理学において広く採用されている。 既存の説明者は、予測に関連する説明的部分グラフを発見する。 説明文は、予測に必要であるだけでなく、最も予測可能な領域を明らかにするのに十分である。 本稿では, IFEXPLAINERを提案する。
  論文  参考訳（メタデータ） (2021-12-18T10:19:01Z)
• Improved Predictive Deep Temporal Neural Networks with Trend Filtering [22.352437268596674]
  本稿では,ディープニューラルネットワークとトレンドフィルタリングに基づく新しい予測フレームワークを提案する。 我々は,学習データをトレンドフィルタリングによって時間的に処理した場合,深部時相ニューラルネットワークの予測性能が向上することを明らかにする。
  論文  参考訳（メタデータ） (2020-10-16T08:29:36Z)
• Spatiotemporal Adaptive Neural Network for Long-term Forecasting of Financial Time Series [0.2793095554369281]
  本稿では,ディープニューラルネットワーク(DNN)が時系列予測(TS)の同時予測に利用できるかどうかを検討する。 動的因子グラフ(DFG)を用いて多変量自己回帰モデルを構築する。 ACTMでは、TSモデルの自己回帰順序を時間とともに変化させ、より大きな確率分布をモデル化することができる。
  論文  参考訳（メタデータ） (2020-03-27T00:53:11Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)
• A clustering approach to time series forecasting using neural networks: A comparative study on distance-based vs. feature-based clustering methods [1.256413718364189]
  動的測定を用いて時系列データを予測するために,様々なニューラルネットワークアーキテクチャを提案する。 また,異常検出やクラスタリングなどの手法が予測精度に与える影響についても検討した。 その結果,クラスタリングは全体の予測時間を改善するとともに,ニューラルネットワークの予測性能を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2020-01-27T00:31:37Z)

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。