論文の概要: Greykite: Deploying Flexible Forecasting at Scale at LinkedIn
- arxiv url: http://arxiv.org/abs/2207.07788v1
- Date: Fri, 15 Jul 2022 23:57:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-19 18:39:22.681132
- Title: Greykite: Deploying Flexible Forecasting at Scale at LinkedIn
- Title（参考訳）: Greykite: LinkedInのスケールでフレキシブルな予測をデプロイ
- Authors: Reza Hosseini, Albert Chen, Kaixu Yang, Sayan Patra, Yi Su, Saad Eddin
Al Orjany, Sishi Tang, Parvez Ahammad
- Abstract要約: LinkedInでは、プロダクトオーナーが予測を使用してビジネス目標を設定し、見通しを追跡し、健康状態を監視する。
我々は、LinkedInで20以上のユースケースにデプロイされた予測のためのオープンソースのPythonライブラリであるGreykiteを紹介します。
ベンチマークの結果,様々な領域のデータセットに対して,アウト・オブ・ボックスの速度と精度が良好であった。
- 参考スコア（独自算出の注目度）: 11.769823455954599
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Forecasts help businesses allocate resources and achieve objectives. At
LinkedIn, product owners use forecasts to set business targets, track outlook,
and monitor health. Engineers use forecasts to efficiently provision hardware.
Developing a forecasting solution to meet these needs requires accurate and
interpretable forecasts on diverse time series with sub-hourly to quarterly
frequencies. We present Greykite, an open-source Python library for forecasting
that has been deployed on over twenty use cases at LinkedIn. Its flagship
algorithm, Silverkite, provides interpretable, fast, and highly flexible
univariate forecasts that capture effects such as time-varying growth and
seasonality, autocorrelation, holidays, and regressors. The library enables
self-serve accuracy and trust by facilitating data exploration, model
configuration, execution, and interpretation. Our benchmark results show
excellent out-of-the-box speed and accuracy on datasets from a variety of
domains. Over the past two years, Greykite forecasts have been trusted by
Finance, Engineering, and Product teams for resource planning and allocation,
target setting and progress tracking, anomaly detection and root cause
analysis. We expect Greykite to be useful to forecast practitioners with
similar applications who need accurate, interpretable forecasts that capture
complex dynamics common to time series related to human activity.
- Abstract（参考訳）: 予測は、企業がリソースを割り当て、目的を達成するのに役立つ。
LinkedInでは、プロダクトオーナが予測を使用してビジネス目標を設定し、見通しを追跡し、健康状態を監視する。
エンジニアはハードウェアの効率的なプロビジョニングに予測を使用する。
これらのニーズを満たす予測ソリューションを開発するには、時間単位から四半期単位までの様々な時系列の正確かつ解釈可能な予測が必要である。
我々は、LinkedInで20以上のユースケースにデプロイされた予測のためのオープンソースのPythonライブラリであるGreykiteを紹介する。
その旗艦アルゴリズムであるSilverkiteは、解釈可能で、高速で、非常に柔軟な単変量予測を提供し、時間的変化や季節性、自己相関、休日、回帰者などの効果を捉えている。
このライブラリは、データ探索、モデル構成、実行、解釈を容易にすることで、セルフサービス精度と信頼を可能にする。
ベンチマークの結果,様々な領域のデータセットに対して,アウト・オブ・ボックスの速度と精度が良好であった。
過去2年間で、greykiteの予測は財務、エンジニアリング、プロダクトチームによって、リソース計画と割り当て、目標設定と進捗追跡、異常検出、根本原因分析のために信頼されている。
greykiteは、人間の活動に関連する時系列に共通する複雑なダイナミクスを捉えた、正確で解釈可能な予測を必要とする類似のアプリケーションで、実践者を予測するのに役立つと期待しています。
関連論文リスト
- Inter-Series Transformer: Attending to Products in Time Series Forecasting [5.459207333107234]
我々は,共有マルチタスク毎の時系列ネットワークを用いたトランスフォーマーに基づく新しい予測手法を開発した。
医療機器製造会社における需要予測の改善に本手法を適用したケーススタディを提案する。
論文 参考訳（メタデータ） (2024-08-07T16:22:21Z) - Site-specific Deterministic Temperature and Humidity Forecasts with Explainable and Reliable Machine Learning [0.0]
近年の機械学習の発展により、この問題に対する新しいアプローチとしてMLを適用することへの関心が高まっている。
我々は'Multi-SiteBoost'という名前のワーキングMLフレームワークを開発し、初期テストの結果はバイアス補正NWPモデルのグリッド値と比較して大幅に改善された。
論文 参考訳（メタデータ） (2024-04-04T09:12:13Z) - Scaling transformer neural networks for skillful and reliable medium-range weather forecasting [23.249955524044392]
本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。
Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。
ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
論文 参考訳（メタデータ） (2023-12-06T19:46:06Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - Pushing the Limits of Pre-training for Time Series Forecasting in the
CloudOps Domain [54.67888148566323]
クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。
強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。
これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
論文 参考訳（メタデータ） (2023-10-08T08:09:51Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-02T17:13:16Z) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-12-24T18:15:39Z) - Respecting Time Series Properties Makes Deep Time Series Forecasting
Perfect [3.830797055092574]
時系列予測モデルにおいて、時間的特徴をどのように扱うかが重要な問題である。
本稿では,3つの有意だが未確立の深層時系列予測機構を厳密に分析する。
上記の分析に基づいて,新しい時系列予測ネットワーク,すなわちRTNetを提案する。
論文 参考訳（メタデータ） (2022-07-22T08:34:31Z) - Forecasting Future World Events with Neural Networks [68.43460909545063]
Autocastは数千の予測質問と付随するニュースコーパスを含むデータセットである。
ニュースコーパスは日付によって整理され、人間が過去の予測を行った条件を正確にシミュレートすることができる。
予測タスクで言語モデルをテストし、パフォーマンスが人間専門家のベースラインよりはるかに低いことを確認します。
論文 参考訳（メタデータ） (2022-06-30T17:59:14Z) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳（メタデータ） (2020-02-20T18:50:44Z)
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。