論文の概要: Probabilistic AutoRegressive Neural Networks for Accurate Long-range
Forecasting
- arxiv url: http://arxiv.org/abs/2204.09640v3
- Date: Tue, 27 Jun 2023 18:50:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-29 18:51:01.346398
- Title: Probabilistic AutoRegressive Neural Networks for Accurate Long-range
Forecasting
- Title（参考訳）: 高精度長距離予測のための確率的自己回帰ニューラルネットワーク
- Authors: Madhurima Panja, Tanujit Chakraborty, Uttam Kumar, Abdenour Hadid
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.295157260756792
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Forecasting time series data is a critical area of research with applications
spanning from stock prices to early epidemic prediction. While numerous
statistical and machine learning methods have been proposed, real-life
prediction problems often require hybrid solutions that bridge classical
forecasting approaches and modern neural network models. In this study, we
introduce the Probabilistic AutoRegressive Neural Networks (PARNN), capable of
handling complex time series data exhibiting non-stationarity, nonlinearity,
non-seasonality, long-range dependence, and chaotic patterns. PARNN is
constructed by improving autoregressive neural networks (ARNN) using
autoregressive integrated moving average (ARIMA) feedback error, combining the
explainability, scalability, and "white-box-like" prediction behavior of both
models. Notably, the PARNN model provides uncertainty quantification through
prediction intervals, setting it apart from advanced deep learning tools.
Through comprehensive computational experiments, we evaluate the performance of
PARNN against standard statistical, machine learning, and deep learning models,
including Transformers, NBeats, and DeepAR. Diverse real-world datasets from
macroeconomics, tourism, epidemiology, and other domains are employed for
short-term, medium-term, and long-term forecasting evaluations. Our results
demonstrate the superiority of PARNN across various forecast horizons,
surpassing the state-of-the-art forecasters. The proposed PARNN model offers a
valuable hybrid solution for accurate long-range forecasting. By effectively
capturing the complexities present in time series data, it outperforms existing
methods in terms of accuracy and reliability. The ability to quantify
uncertainty through prediction intervals further enhances the model's
usefulness in decision-making processes.
- Abstract（参考訳）: 時系列データの予測は、株価から初期の流行予測まで、応用に関する重要な研究分野である。
多くの統計的および機械学習手法が提案されているが、現実の予測問題は古典的な予測手法と現代のニューラルネットワークモデルを橋渡しするハイブリッドソリューションを必要とすることが多い。
本研究では,非定常性,非線形性,非調和性,長距離依存性,カオスパターンを示す複雑な時系列データを処理できる確率的自己回帰ニューラルネットワーク(PARNN)を提案する。
PARNNは、自己回帰統合移動平均(ARIMA)フィードバックエラーを用いて自己回帰ニューラルネットワーク(ARNN)を改善し、両方のモデルの説明可能性、スケーラビリティ、"ホワイトボックスのような"予測動作を組み合わせた構成である。
特に、PARNNモデルは予測間隔を通じて不確実な定量化を提供し、高度なディープラーニングツールとは分離する。
計算実験を総合的に実施することにより,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。
マクロ経済学、観光学、疫学、その他の分野の様々な現実世界のデータセットは、短期、中期、長期の予測評価に使用される。
本研究は, 各種予測地平線におけるPARNNの優位性を示すものである。
提案したPARNNモデルは、正確な長距離予測に有用なハイブリッドソリューションを提供する。
時系列データに存在する複雑さを効果的に捉え、精度と信頼性で既存の手法より優れている。
予測間隔を通じて不確実性を定量化する能力は、意思決定プロセスにおけるモデルの有用性をさらに高める。
関連論文リスト
- From Reactive to Proactive Volatility Modeling with Hemisphere Neural Networks [0.0]
我々は,新しいニューラルネットワークアーキテクチャを用いて,マクロ経済密度予測のための最大推定値(MLE)を再活性化する。
ヘミスフィアニューラルネットワーク(HNN)は、可能時の主指標に基づく積極的なボラティリティ予測と、必要時の過去の予測誤差の大きさに基づく反応性ボラティリティ予測を提供する。
論文 参考訳（メタデータ） (2023-11-27T21:37:50Z) - Amortised Inference in Bayesian Neural Networks [0.0]
Amortized Pseudo-Observation Variational Inference Bayesian Neural Network (APOVI-BNN)を紹介する。
補正された推論は、従来の変分推論によって得られたものと類似または良好な品質であることが示される。
次に、APOVI-BNNをニューラルプロセスファミリーの新たなメンバーと見なす方法について論じる。
論文 参考訳（メタデータ） (2023-09-06T14:02:33Z) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳（メタデータ） (2023-02-20T22:25:47Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-16T06:28:20Z) - Uncertainty-Aware Time-to-Event Prediction using Deep Kernel Accelerated
Failure Time Models [11.171712535005357]
本稿では,時間-時間予測タスクのためのDeep Kernel Accelerated Failure Timeモデルを提案する。
我々のモデルは、2つの実世界のデータセットの実験において、繰り返しニューラルネットワークに基づくベースラインよりも良い点推定性能を示す。
論文 参考訳（メタデータ） (2021-07-26T14:55:02Z) - RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting [30.277213545837924]
古典的な統計モデルの多くは、時系列データに存在する複雑さと高い非線形性を扱うのに不足することが多い。
本研究では,時系列データを非線形状態空間モデルからのランダムな実現とみなす。
粒子流は, 複雑で高次元的な設定において極めて有効であることを示すため, 状態の後方分布を近似するツールとして用いられる。
論文 参考訳（メタデータ） (2021-06-10T21:49:23Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - Spatiotemporal Adaptive Neural Network for Long-term Forecasting of
Financial Time Series [0.2793095554369281]
本稿では,ディープニューラルネットワーク(DNN)が時系列予測(TS)の同時予測に利用できるかどうかを検討する。
動的因子グラフ(DFG)を用いて多変量自己回帰モデルを構築する。
ACTMでは、TSモデルの自己回帰順序を時間とともに変化させ、より大きな確率分布をモデル化することができる。
論文 参考訳（メタデータ） (2020-03-27T00:53:11Z)
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。