論文の概要: Optimal Latent Space Forecasting for Large Collections of Short Time
Series Using Temporal Matrix Factorization
- arxiv url: http://arxiv.org/abs/2112.08052v1
- Date: Wed, 15 Dec 2021 11:39:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-16 13:10:10.070643
- Title: Optimal Latent Space Forecasting for Large Collections of Short Time
Series Using Temporal Matrix Factorization
- Title（参考訳）: 時間行列因子分解を用いた短時系列大集合に対する最適潜時空間予測
- Authors: Himanshi Charotia, Abhishek Garg, Gaurav Dhama, Naman Maheshwari
- Abstract要約: 複数の手法を評価し、それらの方法の1つを選択することや、最良の予測を生成するためのアンサンブルを選択するのが一般的である。
本稿では,低ランク時間行列係数化と潜在時系列上での最適モデル選択を組み合わせることで,短時間の高次元時系列データを予測するためのフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the context of time series forecasting, it is a common practice to
evaluate multiple methods and choose one of these methods or an ensemble for
producing the best forecasts. However, choosing among different ensembles over
multiple methods remains a challenging task that undergoes a combinatorial
explosion as the number of methods increases. In the context of demand
forecasting or revenue forecasting, this challenge is further exacerbated by a
large number of time series as well as limited historical data points available
due to changing business context. Although deep learning forecasting methods
aim to simultaneously forecast large collections of time series, they become
challenging to apply in such scenarios due to the limited history available and
might not yield desirable results. We propose a framework for forecasting short
high-dimensional time series data by combining low-rank temporal matrix
factorization and optimal model selection on latent time series using
cross-validation. We demonstrate that forecasting the latent factors leads to
significant performance gains as compared to directly applying different
uni-variate models on time series. Performance has been validated on a
truncated version of the M4 monthly dataset which contains time series data
from multiple domains showing the general applicability of the method.
Moreover, it is amenable to incorporating the analyst view of the future owing
to the low number of latent factors which is usually impractical when applying
forecasting methods directly to high dimensional datasets.
- Abstract（参考訳）: 時系列予測の文脈では、複数の方法を評価し、これらの方法の1つを選択する、あるいは最高の予測を生成するアンサンブルを組むのが一般的である。
しかし、複数の手法で異なるアンサンブルを選択することは、手法の数が増えるにつれて組合せ爆発を起こす難しい課題である。
需要予測や収益予測の文脈では、この課題は、ビジネスコンテキストの変化によって利用可能な歴史的なデータポイントの制限に加えて、多くの時系列によってさらに悪化する。
深層学習予測手法は時系列の膨大なコレクションを同時に予測することを目的としているが、利用可能な歴史が限られており、望ましい結果が得られないため、このようなシナリオに適用することは困難になる。
クロスバリデーションを用いた潜時時系列の低位時間行列分解と最適モデル選択を組み合わせることで,短い高次元時系列データを予測するための枠組みを提案する。
我々は, 潜在要因の予測は, 時系列に異なる単変量モデルを直接適用することに比べ, 大幅な性能向上をもたらすことを実証する。
提案手法の汎用性を示す複数のドメインの時系列データを含むM4月間データセットの切り離されたバージョンで,性能が検証された。
また, 予測手法を高次元データセットに直接適用する場合, 一般的には非現実的な潜伏要因の少ないため, 将来のアナリストの視点を取り入れることも可能である。
関連論文リスト
- Can time series forecasting be automated? A benchmark and analysis [4.19475889117731]
時系列予測は、金融、医療、気象など様々な分野において重要な役割を担っている。
与えられたデータセットに対して最適な予測方法を選択するタスクは、データパターンや特徴の多様性による複雑なタスクである。
本研究では,幅広いデータセットを対象とした時系列予測手法の評価とランキングのための総合ベンチマークを提案する。
論文 参考訳（メタデータ） (2024-07-23T12:54:06Z) - 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) - Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。
Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。
Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-02-04T20:00:45Z) - Pushing the Limits of Pre-training for Time Series Forecasting in the
CloudOps Domain [54.67888148566323]
クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。
強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。
これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
論文 参考訳（メタデータ） (2023-10-08T08:09:51Z) - Mitigating Cold-start Forecasting using Cold Causal Demand Forecasting
Model [10.132124789018262]
我々は、因果推論とディープラーニングモデルを統合するCDF-cold(Cold Causal Demand Forecasting)フレームワークを紹介する。
実験により,CDF-coldフレームワークは,多変量時系列データの将来値を予測する上で,最先端の予測モデルより優れていることが示された。
論文 参考訳（メタデータ） (2023-06-15T16:36:34Z) - MPPN: Multi-Resolution Periodic Pattern Network For Long-Term Time
Series Forecasting [19.573651104129443]
長期の時系列予測は、様々な現実のシナリオにおいて重要な役割を果たす。
近年の時系列予測の深層学習手法は,分解法やサンプリング法により時系列の複雑なパターンを捉える傾向にある。
本稿では,MPPN(Multi- resolution Periodic Pattern Network)という,長期連続予測のための新しいディープラーニングネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-06-12T07:00:37Z) - 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) - 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) - 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) - Drift-Adjusted And Arbitrated Ensemble Framework For Time Series
Forecasting [0.491574468325115]
時系列データの複雑で進化的な性質のため、時系列予測は難しい問題である。
あらゆる時系列データに対して普遍的に有効な方法は存在しない。
そこで本研究では,そのような分布ドリフトを考慮した再重み付け手法を提案する。
論文 参考訳（メタデータ） (2020-03-16T10:21:37Z)
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。