論文の概要: Optimal reconciliation with immutable forecasts

• arxiv url: http://arxiv.org/abs/2204.09231v1
• Date: Wed, 20 Apr 2022 05:23:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-21 15:45:53.813695
• Title: Optimal reconciliation with immutable forecasts
• Title（参考訳）: イミュータブル予測を用いた最適和解
• Authors: Bohan Zhang, Yanfei Kang, Anastasios Panagiotelis, Feng Li
• Abstract要約: 我々は、変数の既定部分集合の予測が変化しない、あるいは「不変」であるような調整手法を定式化する。 我々は,我々のアプローチがベース予測の偏りを保っていることを証明した。 また,予測誤差の相関を考慮し,予測の非負性を保証する。
• 参考スコア（独自算出の注目度）: 9.25906680708985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The practical importance of coherent forecasts in hierarchical forecasting has inspired many studies on forecast reconciliation. Under this approach, so-called base forecasts are produced for every series in the hierarchy and are subsequently adjusted to be coherent in a second reconciliation step. Reconciliation methods have been shown to improve forecast accuracy, but will, in general, adjust the base forecast of every series. However, in an operational context, it is sometimes necessary or beneficial to keep forecasts of some variables unchanged after forecast reconciliation. In this paper, we formulate reconciliation methodology that keeps forecasts of a pre-specified subset of variables unchanged or "immutable". In contrast to existing approaches, these immutable forecasts need not all come from the same level of a hierarchy, and our method can also be applied to grouped hierarchies. We prove that our approach preserves unbiasedness in base forecasts. Our method can also account for correlations between base forecasting errors and ensure non-negativity of forecasts. We also perform empirical experiments, including an application to sales of a large scale online retailer, to assess the impacts of our proposed methodology.
• Abstract（参考訳）: 階層的予測におけるコヒーレント予測の実践的重要性は、予測和解に関する多くの研究に影響を与えた。 このアプローチでは、階層内のすべてのシリーズに対していわゆるベース予測が生成され、その後、第2の和解ステップでコヒーレントに調整される。 再現法は予測精度を向上させることが示されているが、一般には各系列のベース予測を調整する。 しかし、運用環境では、予測和解後の変数の予測を変更せずに維持することは、時々必要または有益である。 本稿では,変数の既定部分集合の予測を不変あるいは「不変」に保つ調整方法論を定式化する。 既存のアプローチとは対照的に、イミュータブルな予測は階層の同じレベルから来る必要はなく、この手法はグループ化された階層にも適用できる。 我々は,我々のアプローチがベース予測の不偏性を維持することを証明している。 また,ベース予測誤差の相関関係を考慮し,予測の非否定性を保証する。 また,大規模オンライン小売業者の販売への応用を含む実証実験を行い,提案手法の効果を評価した。

関連論文リスト

• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)
• Probabilistic Forecast Reconciliation with Kullback-Leibler Divergence Regularization [4.104449793013176]
  本稿では,確率論的予測整合のための新しい手法を提案する。 既存のアプローチとは異なり、提案手法は予測ステップと和解ステップを深層学習フレームワークに融合させる。 この手法は3つの階層的時系列データセットを用いて評価される。
  論文  参考訳（メタデータ） (2023-11-21T01:46:56Z)
• 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)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• 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)
• Counterfactual Predictions under Runtime Confounding [74.90756694584839]
  本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。 本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T15:49:05Z)
• Hierarchical forecast reconciliation with machine learning [0.34998703934432673]
  本稿では,機械学習に基づく新しい階層的予測手法を提案する。 これは、サンプル後の経験的予測精度とコヒーレンスの改善の目的を構造的に組み合わせている。 本研究では,提案手法が既存手法よりも優れた点予測を与えることを示す。
  論文  参考訳（メタデータ） (2020-06-03T04:49:39Z)

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。