Fugu-MT 論文翻訳(概要): Forecasting of Non-Stationary Sales Time Series Using Deep Learning

論文の概要: Forecasting of Non-Stationary Sales Time Series Using Deep Learning

arxiv url: http://arxiv.org/abs/2205.11636v1
Date: Mon, 23 May 2022 21:06:27 GMT
ステータス: 処理完了
システム内更新日: 2022-05-29 06:50:47.352154
Title: Forecasting of Non-Stationary Sales Time Series Using Deep Learning
Title（参考訳）: ディープラーニングを用いた非定常販売時系列予測
Authors: Bohdan M. Pavlyshenko
Abstract要約: 本稿では,ニューラルネットワークモデルにおける時間トレンド補正を用いた非定常時系列予測のためのディープラーニング手法について述べる。その結果, 予測精度は, トレンド補正ブロックを用いて, 時間的傾向のある非定常販売において本質的に向上できることが示唆された。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The paper describes the deep learning approach for forecasting non-stationary time series with using time trend correction in a neural network model. Along with the layers for predicting sales values, the neural network model includes a subnetwork block for the prediction weight for a time trend term which is added to a predicted sales value. The time trend term is considered as a product of the predicted weight value and normalized time value. The results show that the forecasting accuracy can be essentially improved for non-stationary sales with time trends using the trend correction block in the deep learning model.
Abstract（参考訳）: 本稿では,ニューラルネットワークモデルにおける時間トレンド補正を用いた非定常時系列予測のためのディープラーニング手法について述べる。販売値を予測するための層とともに、ニューラルネットワークモデルは、予測された販売値に追加される時系列トレンド項の予測重み付けのためのサブネットワークブロックを含む。時間トレンド項は、予測された重量値と正規化された時間値の積と見なされる。その結果, ディープラーニングモデルにおけるトレンド補正ブロックを用いて, 非定常販売における予測精度を, 時間トレンドを用いて実質的に改善できることがわかった。

関連論文リスト

GARCH-Informed Neural Networks for Volatility Prediction in Financial Markets [0.0]
マーケットのボラティリティを計測し、予測する新しいハイブリッドなDeep Learningモデルを提案する。他の時系列モデルと比較すると、GINNは決定係数(R2$)、平均正方形誤差(MSE)、平均絶対誤差(MAE)の点で優れたサンプル外予測性能を示した。
論文参考訳（メタデータ） (2024-09-30T23:53:54Z)
F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文参考訳（メタデータ） (2024-06-23T21:28:50Z)
Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
本稿では,長期時系列予測のための制約付き学習手法を提案する。提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-02-14T18:20:44Z)
A Study on Stock Forecasting Using Deep Learning and Statistical Models [3.437407981636465]
本稿では、株価予測のための多くのディープラーニングアルゴリズムを概説し、トレーニングとテストにs&p500インデックスデータを用いた。自動回帰積分移動平均モデル、リカレントニューラルネットワークモデル、長い短期モデル、畳み込みニューラルネットワークモデル、完全な畳み込みニューラルネットワークモデルなど、さまざまなモデルについて議論する。
論文参考訳（メタデータ） (2024-02-08T16:45:01Z)
Volatility forecasting using Deep Learning and sentiment analysis [0.0]
本稿では、市場ボラティリティを予測するための感情分析と深層学習を融合した複合モデルを提案する。次に、過去の感情と前日の変動を利用して予測を行う合成予測モデル、Long-Short-Term-Memory Neural Network法について述べる。
論文参考訳（メタデータ） (2022-10-22T14:54:33Z)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
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)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)
Short-Term Stock Price-Trend Prediction Using Meta-Learning [1.8899300124593645]
畳み込みニューラルネットワークを用いたメタラーニングフレームワークを用いた短期株価予測について検討する。株価の予測値動向に応じて、銘柄をラベル付けするためのスライディングタイムの地平線を提案する。メタラーニングフレームワークの有効性をS&P500に適用して評価した。
論文参考訳（メタデータ） (2021-05-28T06:03:05Z)
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)
Improving Event Duration Prediction via Time-aware Pre-training [90.74988936678723]
持続時間予測に有効な2つのモデルを提案する。 1つのモデルは、期間値が該当する範囲/単位を予測し(R−pred)、もう1つのモデルは正確な期間値E−predを予測する。我々の最良のモデル -- E-pred は、以前の作業よりも大幅に優れ、R-pred よりも正確に持続時間情報をキャプチャします。
論文参考訳（メタデータ） (2020-11-05T01:52:11Z)

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。