論文の概要: Review of automated time series forecasting pipelines

• arxiv url: http://arxiv.org/abs/2202.01712v1
• Date: Thu, 3 Feb 2022 17:26:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-04 16:29:13.624682
• Title: Review of automated time series forecasting pipelines
• Title（参考訳）: 時系列自動予測パイプラインのレビュー
• Authors: Stefan Meisenbacher, Marian Turowski, Kaleb Phipps, Martin R\"atz, Dirk M\"uller, Veit Hagenmeyer, Ralf Mikut
• Abstract要約: 時系列予測は、エネルギーシステムや経済学など、さまざまな分野の様々なユースケースに基礎を置いている。 時系列予測の継続的な需要に対応するための有望なアプローチの1つは、この設計プロセスを自動化することである。 自動機械学習(Automated Machine Learning, ML)と自動統計予測手法の両方を単一の予測パイプラインで検討する。
• 参考スコア（独自算出の注目度）: 0.18472148461613158
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting is fundamental for various use cases in different domains such as energy systems and economics. Creating a forecasting model for a specific use case requires an iterative and complex design process. The typical design process includes the five sections (1) data pre-processing, (2) feature engineering, (3) hyperparameter optimization, (4) forecasting method selection, and (5) forecast ensembling, which are commonly organized in a pipeline structure. One promising approach to handle the ever-growing demand for time series forecasts is automating this design process. The present paper, thus, analyzes the existing literature on automated time series forecasting pipelines to investigate how to automate the design process of forecasting models. Thereby, we consider both Automated Machine Learning (AutoML) and automated statistical forecasting methods in a single forecasting pipeline. For this purpose, we firstly present and compare the proposed automation methods for each pipeline section. Secondly, we analyze the automation methods regarding their interaction, combination, and coverage of the five pipeline sections. For both, we discuss the literature, identify problems, give recommendations, and suggest future research. This review reveals that the majority of papers only cover two or three of the five pipeline sections. We conclude that future research has to holistically consider the automation of the forecasting pipeline to enable the large-scale application of time series forecasting.
• Abstract（参考訳）: 時系列予測は、エネルギーシステムや経済学など様々な分野の様々なユースケースにおいて基礎となる。 特定のユースケースの予測モデルを作成するには、反復的で複雑な設計プロセスが必要です。 典型的な設計プロセスは、(1)データ前処理、(2)特徴工学、(3)ハイパーパラメータ最適化、(4)予測方法の選択、(5)パイプライン構造で一般的に構成される予測センシングの5つのセクションを含む。 時系列予測の継続的な需要に対応するための有望なアプローチのひとつは、この設計プロセスを自動化することだ。 そこで本研究では,時系列予測自動化パイプラインに関する既存の文献を分析し,予測モデルの設計プロセスの自動化方法について検討する。 これにより、単一の予測パイプラインで自動機械学習(automl)と自動統計予測手法の両方を検討することができる。 この目的のために,提案するパイプライン区間の自動化手法をまず提示し,比較する。 次に,5つのパイプラインセクションの相互作用,組み合わせ,カバレッジに関する自動化手法を分析する。 両論とも,文献を議論し,問題を特定し,推薦し,今後の研究を提案する。 このレビューは、ほとんどの論文が5つのパイプラインセクションのうち2、3しかカバーしていないことを示している。 時系列予測の大規模適用を可能にするためには,予測パイプラインの自動化を総合的に検討する必要がある。

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)
• Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
  我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。 我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。 この手法を現実のシナリオに適用するのは,私たちが初めてです。
  論文  参考訳（メタデータ） (2023-12-18T09:05:28Z)
• auto-sktime: Automated Time Series Forecasting [18.640815949661903]
  本稿では,自動時系列予測のための新しいフレームワークであるauto-sktimeを紹介する。 提案するフレームワークは、自動機械学習(AutoML)技術を使用して、予測パイプライン全体の生成を自動化する。 64種類の実世界の時系列データセットに対する実験結果は、フレームワークの有効性と効率を実証している。
  論文  参考訳（メタデータ） (2023-12-13T21:34:30Z)
• Telescope: An Automated Hybrid Forecasting Approach on a Level-Playing Field [2.287583712482583]
  本稿では,新しい機械学習による予測手法である望遠鏡を紹介する。 特定の時系列から関連情報を自動で取得し、それらを分割し、それぞれを別々に扱う。 1つの時系列で動作し、追加設定なしで数秒以内に予測を提供する。
  論文  参考訳（メタデータ） (2023-09-26T22:42:25Z)
• Towards Motion Forecasting with Real-World Perception Inputs: Are End-to-End Approaches Competitive? [93.10694819127608]
  実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。 我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
  論文  参考訳（メタデータ） (2023-06-15T17:03:14Z)
• Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting [68.86835407617778]
  Autoformerは、Auto-Correlation機構を備えた、新しい分解アーキテクチャである。 長期的な予測では、Autoformerは6つのベンチマークで相対的に改善され、最先端の精度が得られる。
  論文  参考訳（メタデータ） (2021-06-24T13:43:43Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• FlashP: An Analytical Pipeline for Real-time Forecasting of Time-Series Relational Data [31.29499654765994]
  リアルタイム予測は、2つのステップで実行できます。まず、集中すべきデータの一部と、データをスライス、ダイシング、集約することで予測される測定値を指定します。 自然なアイデアは、サンプリングを使用して、予測モデルを訓練するために入力としてリアルタイムに近似集計を取得することです。 GSWサンプリングと呼ばれる新しいサンプリングスキームを導入し、GSWサンプルを用いた集計を推定するための誤差境界を分析します。
  論文  参考訳（メタデータ） (2021-01-09T06:23:13Z)
• AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
  本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。 最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。 さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-24T23:13:11Z)
• Inverting the Pose Forecasting Pipeline with SPF2: Sequential Pointcloud Forecasting for Sequential Pose Forecasting [106.3504366501894]
  自動運転車やロボット操作システムは、オブジェクトを最初に検出して追跡することによって、将来のオブジェクトのポーズを予測することが多い。 ポーズ予測アルゴリズムは通常、オブジェクトのポーズのラベル付きシーケンスを必要とするため、このパイプラインはスケールするのに費用がかかる。 本稿では,まず3次元センサデータを予測し,予測点雲列上の物体を検知・追跡し,将来的なポーズを求めることを提案する。 これにより、センサーデータ予測タスクにラベルが不要であるため、予測のスケールが難しくなる。
  論文  参考訳（メタデータ） (2020-03-18T17:54:28Z)

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。