論文の概要: Forecast combinations: an over 50-year review
- arxiv url: http://arxiv.org/abs/2205.04216v1
- Date: Mon, 9 May 2022 12:14:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-10 17:35:29.303255
- Title: Forecast combinations: an over 50-year review
- Title（参考訳）: 予測の組み合わせ:50年以上のレビュー
- Authors: Xiaoqian Wang, Rob J Hyndman, Feng Li, Yanfei Kang
- Abstract要約: 予報の組み合わせは予報コミュニティで著しく繁栄している。
本稿では,予測組み合わせに関する文献を概観する。
様々な手法の可能性と限界について議論し、これらのアイデアが時間とともにどのように発展してきたかを明らかにする。
- 参考スコア（独自算出の注目度）: 16.590353808305245
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Forecast combinations have flourished remarkably in the forecasting community
and, in recent years, have become part of the mainstream of forecasting
research and activities. Combining multiple forecasts produced from the single
(target) series is now widely used to improve accuracy through the integration
of information gleaned from different sources, thereby mitigating the risk of
identifying a single "best" forecast. Combination schemes have evolved from
simple combination methods without estimation, to sophisticated methods
involving time-varying weights, nonlinear combinations, correlations among
components, and cross-learning. They include combining point forecasts, and
combining probabilistic forecasts. This paper provides an up-to-date review of
the extensive literature on forecast combinations, together with reference to
available open-source software implementations. We discuss the potential and
limitations of various methods and highlight how these ideas have developed
over time. Some important issues concerning the utility of forecast
combinations are also surveyed. Finally, we conclude with current research gaps
and potential insights for future research.
- Abstract（参考訳）: 予測コミュニティでは予測の組み合わせが著しく栄えており、近年では研究や活動の予測の主流となっている。
単一(ターゲット)シリーズから生成された複数の予測を組み合わせることで、異なるソースから収集された情報の統合により、正確性が向上し、単一の「最良の」予測を特定するリスクが軽減される。
組合せスキームは、推定のない単純な組み合わせ法から、時間変化重み、非線形結合、コンポーネント間の相関、クロスラーニングを含む洗練された方法へと進化してきた。
それらは点予測と確率予測の組み合わせを含む。
本稿では,既存のオープンソースソフトウェア実装と合わせて,予測組み合わせに関する広範な文献を概観する。
我々は,様々な手法の可能性と限界について議論し,これらのアイデアが時間とともにどのように発展してきたかを強調した。
予測組み合わせの有用性に関する重要な問題も調査されている。
最後に,現在の研究ギャップと今後の研究への可能性について考察する。
関連論文リスト
- Optimizing accuracy and diversity: a multi-task approach to forecast
combinations [0.0]
両問題を同時に解くことに焦点を当てたマルチタスク最適化パラダイムを提案する。
標準的な機能ベースの予測アプローチに、さらなる学習と最適化のタスクが組み込まれている。
提案手法は,特徴に基づく予測において,多様性の本質的な役割を引き出すものである。
論文 参考訳（メタデータ） (2023-10-31T15:26:33Z) - 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) - Learning Mixture Structure on Multi-Source Time Series for Probabilistic
Forecasting [4.179947630802189]
本稿では,異なる予測関係を学習するためのニューラルネットワーク構造に基づく確率モデルを提案する。
対象変数の異なる分布に適用可能な予測および不確実性定量化手法を提案する。
論文 参考訳（メタデータ） (2023-02-22T00:51:44Z) - 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) - Aggregating distribution forecasts from deep ensembles [0.0]
本稿では,ディープアンサンブルのための一般的な量子集約フレームワークを提案する。
深層アンサンブルからの予測分布を組み合わせることで,予測性能を大幅に向上できることを示す。
論文 参考訳（メタデータ） (2022-04-05T15:42:51Z) - CAMul: Calibrated and Accurate Multi-view Time-Series Forecasting [70.54920804222031]
本稿では,一般的な確率的マルチビュー予測フレームワークであるCAMulを提案する。
多様なデータソースから表現と不確実性を学ぶことができる。
動的コンテキスト固有の方法で、各データビューからの知識と不確実性を統合する。
CAMulは、他の最先端確率予測モデルよりも精度とキャリブレーションが25%以上向上していることを示す。
論文 参考訳（メタデータ） (2021-09-15T17:13:47Z) - Forecast with Forecasts: Diversity Matters [9.66075743192747]
近年,時系列特徴を用いた予測組み合わせモデルの構築が,予測領域で盛んに行われている。
本研究では,歴史的データから生成した予測へ焦点を移して特徴を抽出することを提案する。
本稿では,対応する予測に基づいてモデルプールの多様性を決定的特徴として計算し,メタラーニングを用いて多様性に基づく予測組み合わせモデルを構築する。
論文 参考訳（メタデータ） (2020-12-03T02:14:02Z) - Combining Task Predictors via Enhancing Joint Predictability [53.46348489300652]
そこで本研究では,目標予測能力に基づいて参照の関連性を測定し,その関連性を高めるための新しい予測器組合せアルゴリズムを提案する。
提案アルゴリズムはベイズフレームワークを用いて,すべての参照の関連性について共同で評価する。
視覚属性ランキングとマルチクラス分類シナリオから得られた実世界の7つのデータセットの実験に基づいて,本アルゴリズムが性能向上に寄与し,既存の予測器の組み合わせアプローチの適用範囲を広くすることを示した。
論文 参考訳（メタデータ） (2020-07-15T21:58:39Z) - Video Prediction via Example Guidance [156.08546987158616]
ビデオ予測タスクでは、将来のコンテンツとダイナミクスのマルチモーダルな性質を捉えることが大きな課題である。
本研究では,有効な将来状態の予測を効果的に行うための,シンプルで効果的なフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-03T14:57:24Z) - Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。
ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。
我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文 参考訳（メタデータ） (2020-06-20T03:29:02Z) - 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。