論文の概要: MECATS: Mixture-of-Experts for Quantile Forecasts of Aggregated Time Series

• arxiv url: http://arxiv.org/abs/2112.11669v1
• Date: Wed, 22 Dec 2021 05:05:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-23 15:36:17.634947
• Title: MECATS: Mixture-of-Experts for Quantile Forecasts of Aggregated Time Series
• Title（参考訳）: MECATS: Aggregated Time Seriesの量子予測のためのMixture-of-Experts
• Authors: Xing Han, Jing Hu, Joydeep Ghosh
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 11.826510794042548
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a mixture of heterogeneous experts framework called \texttt{MECATS}, which simultaneously forecasts the values of a set of time series that are related through an aggregation hierarchy. Different types of forecasting models can be employed as individual experts so that the form of each model can be tailored to the nature of the corresponding time series. \texttt{MECATS} learns hierarchical relationships during the training stage to help generalize better across all the time series being modeled and also mitigates coherency issues that arise due to constraints imposed by the hierarchy. We further build multiple quantile estimators on top of the point forecasts. The resulting probabilistic forecasts are nearly coherent, distribution-free, and independent of the choice of forecasting models. We conduct a comprehensive evaluation on both point and probabilistic forecasts and also formulate an extension for situations where change points exist in sequential data. In general, our method is robust, adaptive to datasets with different properties, and highly configurable and efficient for large-scale forecasting pipelines.
• Abstract（参考訳）: 本稿では,集約階層を通じて関連する時系列の集合の値を同時に予測する,‘texttt{MECATS} という異種専門家フレームワークの混合を紹介する。 異なる種類の予測モデルが個々の専門家として採用され、それぞれのモデルの形式が対応する時系列の性質に合わせて調整される。 \texttt{mecats} はトレーニング段階で階層関係を学習し、モデル化されるすべての時系列をまたがってより一般化し、階層によって課される制約によって生じる一貫性の問題を軽減する。 さらに、ポイント予測の上に複数の分位推定器を構築する。 その結果生じる確率的予測は、予測モデルの選択によらず、ほぼ一貫性があり、分布自由であり、独立である。 ポイント予測と確率予測の両方について総合的な評価を行い,逐次データに変化点が存在する場合の拡張も行う。 概して,本手法は頑健であり,異なる特性を持つデータセットに適応し,大規模予測パイプラインに対して極めて構成可能かつ効率的である。

関連論文リスト

• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための生成変換器Timer-XLを提案する。 Timer-XLは、統一されたアプローチにより、挑戦的な予測ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• 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)
• 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)
• Ensemble Conformalized Quantile Regression for Probabilistic Time Series Forecasting [4.716034416800441]
  本稿では,アンサンブル共形量子化回帰(EnCQR)と呼ばれる新しい確率予測手法を提案する。 EnCQRは、分布のないほぼ妥当な予測間隔(PI)を構築し、非定常およびヘテロセダスティック時系列データに適しており、任意の予測モデルの上に適用することができる。 その結果、EnCQRは量子レグレッションやコンフォメーション予測のみに基づくモデルよりも優れており、よりシャープで、より情報的で、有効なPIを提供することが示された。
  論文  参考訳（メタデータ） (2022-02-17T16:54:20Z)
• 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)
• Probabilistic Hierarchical Forecasting with Deep Poisson Mixtures [2.1670528702668648]
  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。
  論文  参考訳（メタデータ） (2021-10-25T18:02:03Z)
• 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)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)

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。