論文の概要: HERMES: Hybrid Error-corrector Model with inclusion of External Signals
for nonstationary fashion time series
- arxiv url: http://arxiv.org/abs/2202.03224v1
- Date: Mon, 7 Feb 2022 14:24:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-08 17:49:23.101981
- Title: HERMES: Hybrid Error-corrector Model with inclusion of External Signals
for nonstationary fashion time series
- Title(参考訳): hermes:非定常ファッション時系列のための外部信号を含むハイブリッド誤り訂正モデル
- Authors: David Etienne (TIPIC-SAMOVAR), Jean Bellot, Sylvain Le Corff (IP
Paris)
- Abstract要約: ファッション時系列予測のための新しいモデルを提案する。
私たちはまず、週1万のファッション時系列を収集する最初のファッションデータセットを公開します。
このような複雑でリッチなデータセットを活用するために,我々は新しいハイブリッド予測モデルを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Developing models and algorithms to draw causal inference for time series is
a long standing statistical problem. It is crucial for many applications, in
particular for fashion or retail industries, to make optimal inventory
decisions and avoid massive wastes. By tracking thousands of fashion trends on
social media with state-of-the-art computer vision approaches, we propose a new
model for fashion time series forecasting. Our contribution is twofold. We
first provide publicly the first fashion dataset gathering 10000 weekly fashion
time series. As influence dynamics are the key of emerging trend detection, we
associate with each time series an external weak signal representing behaviors
of influencers. Secondly, to leverage such a complex and rich dataset, we
propose a new hybrid forecasting model. Our approach combines per-time-series
parametric models with seasonal components and a global recurrent neural
network to include sporadic external signals. This hybrid model provides
state-of-the-art results on the proposed fashion dataset, on the weekly time
series of the M4 competition \cite{makridakis2018m4}, and illustrates the
benefit of the contribution of external weak signals.
- Abstract(参考訳): 時系列の因果推論を描くモデルやアルゴリズムの開発は、長年の統計問題である。
多くのアプリケーション、特にファッションや小売業において、最適な在庫決定を行い、大量の廃棄物を避けることが不可欠である。
最先端のコンピュータビジョンアプローチを用いてソーシャルメディア上で数千のファッショントレンドを追跡することにより、ファッション時系列予測の新しいモデルを提案する。
私たちの貢献は2倍です。
まず、週1万のファッション時系列を収集した最初のファッションデータセットを公開します。
インフルエンスダイナミクスがトレンド検出の鍵となるため,インフルエンサーの行動を表す外部弱いシグナルを時系列毎に関連付ける。
次に,このような複雑でリッチなデータセットを活用するために,新しいハイブリッド予測モデルを提案する。
提案手法では,時系列パラメトリックモデルと季節成分と,散発的な外部信号を含むグローバルリカレントニューラルネットワークを組み合わせる。
このハイブリッドモデルは、提案したファッションデータセット、M4コンペティション \cite{makridakis2018m4} の週次時系列、および外部弱信号の寄与の利点を示す。
関連論文リスト
- Recency-Weighted Temporally-Segmented Ensemble for Time-Series Modeling [0.0]
プロセス産業における時系列モデリングは、複雑で多面的で進化するデータ特性を扱うという課題に直面している。
マルチステップ予測のための新しいチャンクベースアプローチであるRecency-Weighted Temporally-Segmented(ReWTS)アンサンブルモデルを導入する。
ノルウェーの排水処理場と飲料水処理場からの2年間のデータをもとに,比較分析を行った。
論文 参考訳(メタデータ) (2024-03-04T16:00:35Z) - 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) - Unified Training of Universal Time Series Forecasting Transformers [110.79681024473159]
マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。
Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。
Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-02-04T20:00:45Z) - Generalized Mixture Model for Extreme Events Forecasting in Time Series
Data [10.542258423966492]
時系列予測(TSF)は、天気予報、交通制御、株価予測など幅広い分野で広く研究されているトピックである。
時系列における極端な値は、しばしば人間と自然のシステムに大きな影響を及ぼすが、それらの稀な発生のために予測することは困難である。
本稿では,極端事象に着目した新たなフレームワークを提案する。具体的には,時系列予測のためのDeep Extreme Mixture Model with Autoencoder (DEMMA)を提案する。
論文 参考訳(メタデータ) (2023-10-11T12:36:42Z) - G-NM: A Group of Numerical Time Series Prediction Models [0.0]
数値時系列予測モデル(G-NM)のグループは、線形および非線形の依存関係、季節性、時系列データに存在する傾向の両方をカプセル化する。
G-NMは、複雑な自然現象に固有のパターンや傾向に関連する予測能力を増強するために明確に構成されている。
論文 参考訳(メタデータ) (2023-06-20T16:39:27Z) - Time Series Continuous Modeling for Imputation and Forecasting with
Implicit Neural Representations [16.47768802227772]
本稿では,実世界のデータでしばしば発生する課題に対処するために,時系列計算と予測のための新しいモデリング手法を提案する。
本手法はシリーズの進化力学の連続時間依存モデルに依存する。
メタラーニングアルゴリズムによって駆動される変調機構は、観測されたタイムウインドウを超えて、見えないサンプルや外挿への適応を可能にする。
論文 参考訳(メタデータ) (2023-06-09T13:20:04Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2022-05-16T07:53:42Z) - Deep Autoregressive Models with Spectral Attention [74.08846528440024]
本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。
時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。
時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
論文 参考訳(メタデータ) (2021-07-13T11:08:47Z) - Leveraging Multiple Relations for Fashion Trend Forecasting Based on
Social Media [72.06420633156479]
Relation Enhanced Attention Recurrent(REAR)ネットワークという改良モデルを提案する。
KERNと比較して、REARモデルはファッション要素間の関係だけでなく、ユーザグループ間の関係も活用する。
長期トレンド予測の性能をさらに向上させるために、REAR法はスライディング時間的注意メカニズムを考案する。
論文 参考訳(メタデータ) (2021-05-07T14:52:03Z) - Model-Attentive Ensemble Learning for Sequence Modeling [86.4785354333566]
シーケンスモデリング(MAES)のためのモデル・アテンティブ・アンサンブル・ラーニングを提案する。
MAESは、異なるシーケンスダイナミクスの専門家を専門とし、予測を適応的に重み付けるために、注目ベースのゲーティングメカニズムを利用する時系列の専門家の混合物です。
MAESが時系列シフトを受けるデータセットの人気シーケンスモデルを大幅に上回ることを示す。
論文 参考訳(メタデータ) (2021-02-23T05:23:35Z) - Global Models for Time Series Forecasting: A Simulation Study [2.580765958706854]
自動回帰(AR)や季節ARのような単純なデータ生成プロセス(DGP)からカオスロジスティックマップ、自己興奮型閾値自動回帰、マッキーグラス方程式といった複雑なDGPまで、時系列をシミュレートする。
データセットの長さと系列数は、さまざまなシナリオで変化します。
我々はこれらのデータセットに対して,Recurrent Neural Networks (RNN), Feed-Forward Neural Networks, Pooled Regression (PR) Model, Light Gradient Boosting Models (LGBM)などの大域的予測モデルを用いて実験を行った。
論文 参考訳(メタデータ) (2020-12-23T04:45:52Z)
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。