論文の概要: Masked Multi-Step Multivariate Time Series Forecasting with Future Information

• arxiv url: http://arxiv.org/abs/2209.14413v1
• Date: Wed, 28 Sep 2022 20:49:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 16:17:35.851440
• Title: Masked Multi-Step Multivariate Time Series Forecasting with Future Information
• Title（参考訳）: 将来情報を用いたマルチステップ多変量時系列予測
• Authors: Yiwei Fu, Honggang Wang, Nurali Virani
• Abstract要約: 多くの実世界の予測シナリオでは、例えば短期から中期の電力需要予測を行う際の天気情報など、将来の情報が知られている。 既存のアプローチの限界を克服するために、出力列を生成することができるニューラルネットワークモデルをトレーニングするフレームワークであるMMMFを提案する。 本研究は,(1)中期電力需要予測のための実世界の2つのデータセットと(2)2ヶ月前のフライト出発に関する実験を行った。
• 参考スコア（独自算出の注目度）: 7.544120398993689
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we introduce Masked Multi-Step Multivariate Forecasting (MMMF), a novel and general self-supervised learning framework for time series forecasting with known future information. In many real-world forecasting scenarios, some future information is known, e.g., the weather information when making a short-to-mid-term electricity demand forecast, or the oil price forecasts when making an airplane departure forecast. Existing machine learning forecasting frameworks can be categorized into (1) sample-based approaches where each forecast is made independently, and (2) time series regression approaches where the future information is not fully incorporated. To overcome the limitations of existing approaches, we propose MMMF, a framework to train any neural network model capable of generating a sequence of outputs, that combines both the temporal information from the past and the known information about the future to make better predictions. Experiments are performed on two real-world datasets for (1) mid-term electricity demand forecasting, and (2) two-month ahead flight departures forecasting. They show that the proposed MMMF framework outperforms not only sample-based methods but also existing time series forecasting models with the exact same base models. Furthermore, once a neural network model is trained with MMMF, its inference speed is similar to that of the same model trained with traditional regression formulations, thus making MMMF a better alternative to existing regression-trained time series forecasting models if there is some available future information.
• Abstract（参考訳）: 本稿では,時系列予測のための新しい,汎用的な自己教師型学習フレームワークであるMasked Multi-Step Multi-Step Multivariate Forecasting (MMMF)を紹介する。 多くの実世界の予測シナリオでは、例えば短期的な電力需要予測を行う際の天気情報や、飛行機の出発予測を行う際の原油価格予測など、将来の情報が知られている。 既存の機械学習予測フレームワークは,(1)個々の予測を独立に行うサンプルベースアプローチ,(2)将来の情報が完全に組み込まれていない時系列回帰アプローチに分類することができる。 既存のアプローチの限界を克服するために、過去の時間的情報と、未来に関する既知の情報を組み合わせてより良い予測を行う、一連の出力を生成するニューラルネットワークモデルをトレーニングするフレームワークであるMMMFを提案する。 1) 中間電力需要予測, (2) 飛行開始2か月先予測のための実世界の2つのデータセットについて実験を行った。 提案したMMMFフレームワークは,サンプルベース手法だけでなく,全く同じベースモデルを持つ既存の時系列予測モデルよりも優れていることを示す。 さらに、ニューラルネットワークモデルがMMMFでトレーニングされると、その推論速度は従来の回帰定式化でトレーニングされたモデルと似ているため、将来情報が得られれば、既存の回帰学習時系列予測モデルにより良い代替となる。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
  本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。 限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• Handling Concept Drift in Global Time Series Forecasting [10.732102570751392]
  我々は2つの新しい概念ドリフトハンドリング手法、すなわち、誤り寄与度重み付け(ECW)と勾配降下度重み付け(GDW)を提案する。 これらの手法は、最新のシリーズと全シリーズで個別に訓練された2つの予測モデルを使用し、最終的に2つのモデルが提供する予測の重み付け平均を最終予測と見なす。
  論文  参考訳（メタデータ） (2023-04-04T03:46:25Z)
• Masked Multi-Step Probabilistic Forecasting for Short-to-Mid-Term Electricity Demand [7.544120398993689]
  Masked Multi-Step Multi Probabilistic Forecasting (MMMPF)は、ニューラルネットワークモデルをトレーニングするための、新しく一般的なフレームワークである。 過去の時間的情報と未来に関する既知の情報を組み合わせて確率的予測を行う。 MMMPFは、不確実性を捉え、将来のグリッドの確率的計画を可能にするために、望ましい量子化物を生成することもできる。
  論文  参考訳（メタデータ） (2023-02-14T04:09:03Z)
• Meta-Forecasting by combining Global DeepRepresentations with Local Adaptation [12.747008878068314]
  メタグローバルローカル自動回帰(Meta-GLAR)と呼ばれる新しい予測手法を導入する。 それは、リカレントニューラルネットワーク(RNN)によって生成された表現からワンステップアヘッド予測へのマッピングをクローズドフォームで学習することで、各時系列に適応する。 本手法は,先行研究で報告されたサンプル外予測精度において,最先端の手法と競合する。
  論文  参考訳（メタデータ） (2021-11-05T11:45:02Z)
• 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)
• Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
  我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。 トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
  論文  参考訳（メタデータ） (2020-10-27T17:54:12Z)
• Improving the Accuracy of Global Forecasting Models using Time Series Data Augmentation [7.38079566297881]
  GFM(Global Forecasting Models)として知られる多くの時系列のセットでトレーニングされた予測モデルは、競争や実世界のアプリケーションを予測する上で有望な結果を示している。 本稿では,GFMモデルのベースライン精度を向上させるための,データ拡張に基づく新しい予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-06T13:52:20Z)
• A framework for probabilistic weather forecast post-processing across models and lead times using machine learning [3.1542695050861544]
  我々はNWPモデルと意思決定支援の「理想的な」予測とのギャップを埋める方法について述べる。 本研究では,各数値モデルの誤差プロファイルの学習にQuantile Regression Forestsを使用し,これを経験から得られた確率分布を予測に適用する。 第2に、これらの確率予測を量子平均化(quantile averaging)を用いて組み合わせ、第3に、集合量子化の間で補間して完全な予測分布を生成する。
  論文  参考訳（メタデータ） (2020-05-06T16:46:02Z)

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。