論文の概要: N-HiTS: Neural Hierarchical Interpolation for Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2201.12886v1
- Date: Sun, 30 Jan 2022 17:52:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-01 15:15:36.223181
- Title: N-HiTS: Neural Hierarchical Interpolation for Time Series Forecasting
- Title(参考訳): N-HiTS:時系列予測のためのニューラルネットワーク階層補間
- Authors: Cristian Challu, Kin G. Olivares, Boris N. Oreshkin, Federico Garza,
Max Mergenthaler, Artur Dubrawski
- Abstract要約: 長期的な予測に苦しむ2つの一般的な課題は、予測のボラティリティとその計算複雑性である。
N-HiTSは,新しい階層型データサンプリング手法とマルチレートデータサンプリング手法を導入することで,両課題に対処するモデルである。
我々は,N-HiTSの最先端長軸予測法に対する利点を実証的に評価する。
- 参考スコア(独自算出の注目度): 17.53378788483556
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent progress in neural forecasting accelerated improvements in the
performance of large-scale forecasting systems. Yet, long-horizon forecasting
remains a very difficult task. Two common challenges afflicting long-horizon
forecasting are the volatility of the predictions and their computational
complexity. In this paper, we introduce N-HiTS, a model which addresses both
challenges by incorporating novel hierarchical interpolation and multi-rate
data sampling techniques. These techniques enable the proposed method to
assemble its predictions sequentially, selectively emphasizing components with
different frequencies and scales, while decomposing the input signal and
synthesizing the forecast. We conduct an extensive empirical evaluation
demonstrating the advantages of N-HiTS over the state-of-the-art long-horizon
forecasting methods. On an array of multivariate forecasting tasks, the
proposed method provides an average accuracy improvement of 25% over the latest
Transformer architectures while reducing the computation time by an order of
magnitude. Our code is available at
\href{https://github.com/cchallu/n-hits}{this repository}.
- Abstract(参考訳): ニューラル予測の最近の進歩は、大規模予測システムの性能改善を加速した。
しかし、ロングホリゾン予測は非常に難しい課題である。
ロングホリゾン予測に苦しむ2つの一般的な課題は、予測のボラティリティと計算複雑性である。
本稿では,新しい階層的補間法とマルチレートデータサンプリング技術を取り入れたN-HiTSを提案する。
これらの手法により,入力信号を分解し,予測を合成しながら,周波数やスケールの異なる成分を選択的に強調し,予測を逐次的に組み立てることができる。
我々は、N-HiTSの利点を、最先端のロングホライゾン予測法に対して実証的に評価する。
提案手法は,多変量予測タスクの配列に基づいて,最新のTransformerアーキテクチャよりも25%の精度向上を実現し,計算時間を桁違いに削減する。
私たちのコードは \href{https://github.com/cchallu/n-hits}{this リポジトリで利用可能です。
関連論文リスト
- MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。
予測性能を高めるために3段階の相関を同時に検討する。
注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
論文 参考訳(メタデータ) (2024-05-30T03:32:44Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳(メタデータ) (2024-05-29T08:00:15Z) - State Sequences Prediction via Fourier Transform for Representation
Learning [111.82376793413746]
本研究では,表現表現を効率よく学習する新しい方法である,フーリエ変換(SPF)による状態列予測を提案する。
本研究では,状態系列における構造情報の存在を理論的に解析する。
実験により,提案手法はサンプル効率と性能の両面で,最先端のアルゴリズムよりも優れていることが示された。
論文 参考訳(メタデータ) (2023-10-24T14:47:02Z) - CARD: Channel Aligned Robust Blend Transformer for Time Series
Forecasting [50.23240107430597]
本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。
まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。
第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。
第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
論文 参考訳(メタデータ) (2023-05-20T05:16:31Z) - cs-net: structural approach to time-series forecasting for
high-dimensional feature space data with limited observations [1.5533753199073637]
本研究では,高次元多変量予測タスクに優れたフレキシブルなデータ特徴抽出手法を提案する。
我々のアプローチは、もともとNational Science Foundation (NSF) Algorithms for Threat Detection (ATD) 2022 Challengeのために開発された。
我々のモデルは、GDELTデータセットでトレーニングされ、ATDスプリントシリーズの第1位と第2位に終わり、時系列予測のための他のデータセットを約束します。
論文 参考訳(メタデータ) (2022-12-05T19:46:47Z) - Similarity-based Feature Extraction for Large-scale Sparse Traffic
Forecasting [4.295541562380963]
NeurIPS 2022 Traffic4cast チャレンジは、公共に利用可能なスパースループ数データで都市全体の交通状態を予測することを目的としている。
この技術報告は、ETA予測の拡張課題に対して、私たちの2位獲得ソリューションを紹介します。
論文 参考訳(メタデータ) (2022-11-13T22:19:21Z) - Scalable computation of prediction intervals for neural networks via
matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。
本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-05-06T13:18:31Z) - 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) - DMIDAS: Deep Mixed Data Sampling Regression for Long Multi-Horizon Time
Series Forecasting [13.458489651961106]
本研究では,高周波医療と電力価格データを用いた長期エネルギー価格の予測手法を開発した。
我々は,最先端モデルの予測精度を5%向上し,NBEATSのパラメータ数を約70%削減した。
論文 参考訳(メタデータ) (2021-06-07T22:36:38Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z) - 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。