論文の概要: Bayesian Regression Approach for Building and Stacking Predictive Models in Time Series Analytics

• arxiv url: http://arxiv.org/abs/2201.02034v1
• Date: Thu, 6 Jan 2022 12:58:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-07 14:05:24.878255
• Title: Bayesian Regression Approach for Building and Stacking Predictive Models in Time Series Analytics
• Title（参考訳）: 時系列分析における予測モデルの構築と積み重ねに対するベイズ回帰アプローチ
• Authors: Bohdan M. Pavlyshenko
• Abstract要約: 本稿では,時系列モデルの構築と時系列の予測モデルへのベイズ回帰の利用について述べる。 これにより、時系列予測の不確実性を推定し、リスク特性の値を計算することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The paper describes the use of Bayesian regression for building time series models and stacking different predictive models for time series. Using Bayesian regression for time series modeling with nonlinear trend was analyzed. This approach makes it possible to estimate an uncertainty of time series prediction and calculate value at risk characteristics. A hierarchical model for time series using Bayesian regression has been considered. In this approach, one set of parameters is the same for all data samples, other parameters can be different for different groups of data samples. Such an approach allows using this model in the case of short historical data for specified time series, e.g. in the case of new stores or new products in the sales prediction problem. In the study of predictive models stacking, the models ARIMA, Neural Network, Random Forest, Extra Tree were used for the prediction on the first level of model ensemble. On the second level, time series predictions of these models on the validation set were used for stacking by Bayesian regression. This approach gives distributions for regression coefficients of these models. It makes it possible to estimate the uncertainty contributed by each model to stacking result. The information about these distributions allows us to select an optimal set of stacking models, taking into account the domain knowledge. The probabilistic approach for stacking predictive models allows us to make risk assessment for the predictions that are important in a decision-making process.
• Abstract（参考訳）: 本論文は,時系列モデルの構築と時系列予測モデルの積み重ねにベイズ回帰を用いることについて述べる。 非線形トレンドを用いた時系列モデリングにベイズ回帰を用いた。 このアプローチにより、時系列予測の不確かさを推定し、リスク特性の値を計算することができる。 ベイズ回帰を用いた時系列の階層モデルが検討されている。 このアプローチでは、1つのパラメータセットがすべてのデータサンプルで同じであり、別のパラメータは異なるデータサンプルのグループで異なる可能性がある。 このようなアプローチでは、特定の時系列の短い履歴データの場合、例えば販売予測問題における新しい店舗や新製品の場合など、このモデルを使用することができる。 予測モデルの積み重ねに関する研究において、第1レベルのモデルアンサンブルの予測には、ARIMA、ニューラルネットワーク、ランダムフォレスト、エクストラツリーが用いられた。 第2段階では、検証セット上のこれらのモデルの時系列予測がベイズ回帰による積み重ねに用いられた。 このアプローチはこれらのモデルの回帰係数の分布を与える。 結果の積み重ねに各モデルが貢献する不確実性を見積もることができる。 これらの分布に関する情報により、ドメインの知識を考慮した最適な積み重ねモデルを選択することができます。 予測モデルを積み重ねる確率論的アプローチは、意思決定プロセスにおいて重要な予測に対するリスク評価を可能にします。

関連論文リスト

• Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
  本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。 限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• BayesBlend: Easy Model Blending using Pseudo-Bayesian Model Averaging, Stacking and Hierarchical Stacking in Python [0.0]
  重みを推定し、複数の(ベイジアン)モデルの予測分布をブレンドするために、BayesBlend Pythonパッケージを導入する。 ベイズブレンドは、モデルウェイトを推定するために擬ベイズモデルの平均化、積み重ね、一意的に階層的ベイズ積み重ねを実装している。 ベイズブレンドの保険損失モデリングの例を例に紹介する。
  論文  参考訳（メタデータ） (2024-04-30T19:15:33Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Deep Non-Parametric Time Series Forecaster [19.800783133682955]
  提案手法は, 予測分布のパラメトリック形式を仮定せず, 学習可能な戦略に従って実験分布からサンプリングして予測を生成する。 提案手法のグローバルバージョンを開発し,複数の時系列にまたがる情報を活用することで,サンプリング戦略を自動的に学習する。
  論文  参考訳（メタデータ） (2023-12-22T12:46:30Z)
• Stability of clinical prediction models developed using statistical or machine learning methods [0.5482532589225552]
  臨床予測モデルは、複数の予測器の値に基づいて、個人の特定の健康結果のリスクを推定する。 多くのモデルは、モデルとその予測(推定リスク)の不安定性につながる小さなデータセットを使用して開発されている。 モデルの推定リスクの不安定性は、しばしばかなりのものであり、新しいデータにおける予測の誤校正として現れます。
  論文  参考訳（メタデータ） (2022-11-02T11:55:28Z)
• Wasserstein multivariate auto-regressive models for modeling distributional time series [0.0]
  多変量分布時系列の統計解析のための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。 また,本手法を各国の年齢分布から得られたデータ集合に適用した。
  論文  参考訳（メタデータ） (2022-07-12T10:18:36Z)
• Flexible Model Aggregation for Quantile Regression [92.63075261170302]
  量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。 条件付き量子モデルの任意の数を集約する手法について検討する。 この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
  論文  参考訳（メタデータ） (2021-02-26T23:21:16Z)
• 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)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
  変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。 これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。 おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
  論文  参考訳（メタデータ） (2020-02-17T19:23:36Z)

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。