論文の概要: Prediction Intervals in the Beta Autoregressive Moving Average Model

• arxiv url: http://arxiv.org/abs/2207.11628v1
• Date: Sun, 24 Jul 2022 01:22:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-26 16:08:29.412969
• Title: Prediction Intervals in the Beta Autoregressive Moving Average Model
• Title（参考訳）: ベータ自己回帰移動平均モデルにおける予測間隔
• Authors: B. G. Palm, F. M. Bayer, R. J. Cintra
• Abstract要約: 提案した予測区間のうち2つは、ベータ分布の正規分布と量子関数を考慮した近似に基づいている。 また,ブートストラップに基づく予測間隔,すなわち, (i)ブートストラップ予測誤差(BPE)間隔, (ii)バイアス補正・加速(BCa)予測間隔, (iii)ブートストラップ予測値の定量値に基づくパーセンタイル予測間隔についても検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose five prediction intervals for the beta autoregressive moving average model. This model is suitable for modeling and forecasting variables that assume values in the interval $(0,1)$. Two of the proposed prediction intervals are based on approximations considering the normal distribution and the quantile function of the beta distribution. We also consider bootstrap-based prediction intervals, namely: (i) bootstrap prediction errors (BPE) interval; (ii) bias-corrected and acceleration (BCa) prediction interval; and (iii) percentile prediction interval based on the quantiles of the bootstrap-predicted values for two different bootstrapping schemes. The proposed prediction intervals were evaluated according to Monte Carlo simulations. The BCa prediction interval offered the best performance among the evaluated intervals, showing lower coverage rate distortion and small average length. We applied our methodology for predicting the water level of the Cantareira water supply system in S\~ao Paulo, Brazil.
• Abstract（参考訳）: 本稿では,ベータ自己回帰移動平均モデルに対する5つの予測間隔を提案する。 このモデルは、$(0,1)$の間隔で値を仮定する変数のモデリングと予測に適しています。 提案した予測区間のうち2つは、ベータ分布の正規分布と量子関数を考慮した近似に基づいている。 ブートストラップに基づく予測間隔についても検討する。 (i)ブートストラップ予測エラー(BPE)間隔 (ii)バイアス補正・加速度(bca)予測間隔 3) ブートストラップ予測値の定量値に基づく2つの異なるブートストラップ方式のパーセンタイル予測間隔。 提案した予測間隔はモンテカルロシミュレーションにより評価した。 BCa予測間隔は、評価間隔の中で最高の性能を示し、低いカバレッジ率の歪みと低い平均長さを示した。 ブラジル・サンパウロのカンタレイラ水供給システムの水位予測に本手法を適用した。

関連論文リスト

• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
  本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。 本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
  論文  参考訳（メタデータ） (2023-10-24T22:59:56Z)
• Conformal Prediction Regions for Time Series using Linear Complementarity Programming [25.094249285804224]
  本稿では,長期の地平面計画と検証を可能にするために,保守性を低減する最適化手法を提案する。 この問題を混合整数線形相補性プログラム (MILCP) としてキャストし, 線形相補性プログラム (LCP) に緩和することを示した。
  論文  参考訳（メタデータ） (2023-04-03T15:32:38Z)
• Sinkhorn-Flow: Predicting Probability Mass Flow in Dynamical Systems Using Optimal Transport [89.61692654941106]
  そこで本稿では, 最適な輸送手段を用いて, 時間とともにそのような物質流を予測する新しい手法を提案する。 我々は、ソーシャルネットワークの設定において、コミュニティがどのように進化していくかを予測するタスクに、我々のアプローチを適用した。
  論文  参考訳（メタデータ） (2023-03-14T07:25:44Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
  本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。 我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
  論文  参考訳（メタデータ） (2021-09-07T09:38:24Z)
• RFpredInterval: An R Package for Prediction Intervals with Random Forests and Boosted Forests [0.0]
  我々は、ランダムな森林や森林の増生を伴う予測区間を構築するために、16の手法を統合した包括的RパッケージRFpredIntervalを開発した。 このパッケージに実装された手法は,Roy と Larocque (2020) が提案したランダムな森林で予測間隔を生成するために,PRBFと15の異なる変種で予測間隔を構築する新しい方法である。 その結果,提案手法は競争力が高く,世界規模では競合手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-06-15T15:27:50Z)
• Interpretable Machines: Constructing Valid Prediction Intervals with Random Forests [0.0]
  最近の研究で機械学習アルゴリズムを使用する場合の重要な問題は、解釈能力の欠如です。 Random Forest Regression Learnerのこのギャップへの貢献について紹介します。 いくつかのパラメトリックおよび非パラメトリック予測区間がランダムフォレスト点予測のために提供される。 モンテカルロシミュレーションによる徹底的な調査を行い,提案手法の性能を評価した。
  論文  参考訳（メタデータ） (2021-03-09T23:05:55Z)
• Prediction Intervals: Split Normal Mixture from Quality-Driven Deep Ensembles [4.521131595149397]
  本稿では,ニューラルネットワークのアンサンブルからの点推定値とともに予測間隔を生成する手法を提案する。 本稿では,予測間隔と点推定に関する品質指標を融合した多目的損失関数と,結果のセマンティックな整合性を実現するペナルティ関数を提案する。 この結果から, 品質駆動型損失関数と集約法の両方が, 精度のよい予測間隔と点推定に寄与することが示唆された。
  論文  参考訳（メタデータ） (2020-07-19T13:46:34Z)
• AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
  本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。 最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。 さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-24T23:13:11Z)
• Long-Term Prediction of Lane Change Maneuver Through a Multilayer Perceptron [5.267336573374459]
  横方向情報や角度情報のない長期(510秒)レーン変更予測モデルを提案する。 ロジスティック回帰モデル、多層パーセプトロン(MLP)モデル、リカレントニューラルネットワーク(RNN)モデルを含む3つの予測モデルが導入されている。 評価結果から, 開発した予測モデルでは, 実車線変更操作の75%を平均8.05秒で捉えることができることがわかった。
  論文  参考訳（メタデータ） (2020-06-23T05:32:40Z)

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。