論文の概要: Dynamic Temporal Reconciliation by Reinforcement learning
- arxiv url: http://arxiv.org/abs/2201.11964v1
- Date: Fri, 28 Jan 2022 07:15:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-01 02:27:01.205998
- Title: Dynamic Temporal Reconciliation by Reinforcement learning
- Title（参考訳）: 強化学習による動的時間緩和
- Authors: Himanshi Charotia, Abhishek Garg, Gaurav Dhama, Naman Maheshwari
- Abstract要約: 我々は、マルコフ決定過程(MDP)として高周波実測値に基づいて低周波予測を通知する動的調停法を提案する。
これにより、低周波周期が部分的にしか完了していない場合でも、最新のデータに基づいて最適な長期推定を行うことができる。
MDPは、時間差強化学習(TDRL)アプローチを用いて、カスタマイズ可能なアクションを用いて解決されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Planning based on long and short term time series forecasts is a common
practice across many industries. In this context, temporal aggregation and
reconciliation techniques have been useful in improving forecasts, reducing
model uncertainty, and providing a coherent forecast across different time
horizons. However, an underlying assumption spanning all these techniques is
the complete availability of data across all levels of the temporal hierarchy,
while this offers mathematical convenience but most of the time low frequency
data is partially completed and it is not available while forecasting. On the
other hand, high frequency data can significantly change in a scenario like the
COVID pandemic and this change can be used to improve forecasts that will
otherwise significantly diverge from long term actuals. We propose a dynamic
reconciliation method whereby we formulate the problem of informing low
frequency forecasts based on high frequency actuals as a Markov Decision
Process (MDP) allowing for the fact that we do not have complete information
about the dynamics of the process. This allows us to have the best long term
estimates based on the most recent data available even if the low frequency
cycles have only been partially completed. The MDP has been solved using a Time
Differenced Reinforcement learning (TDRL) approach with customizable actions
and improves the long terms forecasts dramatically as compared to relying
solely on historical low frequency data. The result also underscores the fact
that while low frequency forecasts can improve the high frequency forecasts as
mentioned in the temporal reconciliation literature (based on the assumption
that low frequency forecasts have lower noise to signal ratio) the high
frequency forecasts can also be used to inform the low frequency forecasts.
- Abstract（参考訳）: 長期および短期の時系列予測に基づくプランニングは、多くの業界で一般的なプラクティスである。
この文脈では、時間的集約と和解技術は予測を改善し、モデルの不確実性を低減し、異なる時間的地平をまたいだ一貫性のある予測を提供するのに有用である。
しかしながら、これらすべての技術にまたがる前提は、時間階層のすべてのレベルにわたるデータの完全な可用性であるが、これは数学的に便利であるが、ほとんどの場合、低周波データが部分的に完了し、予測中に利用できない。
一方、新型コロナウイルスのパンデミックのようなシナリオでは、高周波データが大幅に変化し、この変化は、長期的な状況と大きく異なる予測を改善するために利用することができる。
そこで本稿では,マルコフ決定プロセス(MDP)として,低周波予測を高頻度で予測する問題を定式化することにより,プロセスのダイナミクスに関する完全な情報が得られないことを確かめる。
これにより、低周波周期が部分的にしか完了していない場合でも、最新のデータに基づいて最適な長期推定を行うことができる。
MDPは、時間差強化学習(TDRL)アプローチを用いて、カスタマイズ可能な動作を用いて、歴史的低周波データにのみ依存するよりも、長期予測を劇的に改善している。
この結果は、低周波予測が時間調整文献(低周波予測が信号比よりも低雑音であるという仮定に基づく)で述べたような高周波予測を改善することができる一方で、低周波予測も低周波予測に活用できるという事実も強調している。
関連論文リスト
- Beyond Data Scarcity: A Frequency-Driven Framework for Zero-Shot Forecasting [15.431513584239047]
時系列予測は多くの現実世界の応用において重要である。
従来の予測技術は、データが不足しているか、全く利用できない場合に苦労する。
近年の進歩は、このようなタスクに大規模な基礎モデルを活用することが多い。
論文 参考訳（メタデータ） (2024-11-24T07:44:39Z) - Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。
幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
論文 参考訳（メタデータ） (2024-07-02T20:14:32Z) - Long-Term Prediction Accuracy Improvement of Data-Driven Medium-Range Global Weather Forecast [5.284452133959932]
長期的反復予測を改善するために、Spherical Harmonic Neural Operator (SHNO)と呼ばれる普遍的神経オペレータが導入された。
SHNOは球面の高調波基底を用いて球面データの歪みを緩和し、異なるスケールでスプリアス相関によって生じるスペクトルバイアスを補正するためにゲート残留スペクトルアテンション(GRSA)を用いる。
本研究は,長期予測の精度を向上させるため,SHNOの利点と可能性を強調した。
論文 参考訳（メタデータ） (2024-06-26T02:06:27Z) - Stock Volume Forecasting with Advanced Information by Conditional Variational Auto-Encoder [49.97673761305336]
本研究では,短時間・長期の予測作業において,日当たりのストックボリューム時系列の予測を改善するために,条件変動(CVAE)を用いることを実証する。
CVAEは非線形時系列をサンプル外予測として生成し、精度が向上し、実際のデータとの相関関係がより緊密になる。
論文 参考訳（メタデータ） (2024-06-19T13:13:06Z) - FAITH: Frequency-domain Attention In Two Horizons for Time Series Forecasting [13.253624747448935]
時系列予測は、産業機器の保守、気象学、エネルギー消費、交通流、金融投資など、様々な分野で重要な役割を果たしている。
現在のディープラーニングベースの予測モデルは、予測結果と基礎的真実の間に大きな違いを示すことが多い。
本稿では、時系列をトレンドと季節成分に分解する2つのホライズンズにおける周波数領域注意モデルを提案する。
論文 参考訳（メタデータ） (2024-05-22T02:37:02Z) - Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes:
Functional and Augmented Data Structures in Financial Forecasting [0.0]
本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。
GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。
これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
論文 参考訳（メタデータ） (2024-02-23T06:09:45Z) - 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) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文 参考訳（メタデータ） (2022-09-23T16:13:47Z) - 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) - Long Range Probabilistic Forecasting in Time-Series using High Order
Statistics [19.12411040726229]
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。
論文 参考訳（メタデータ） (2021-11-05T11:10:35Z)
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。