論文の概要: Efficient probabilistic reconciliation of forecasts for real-valued and count time series

• arxiv url: http://arxiv.org/abs/2210.02286v3
• Date: Thu, 12 Oct 2023 08:40:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-14 15:54:53.074328
• Title: Efficient probabilistic reconciliation of forecasts for real-valued and count time series
• Title（参考訳）: 実数値および計数時系列の予測の効率的な確率的整合
• Authors: Lorenzo Zambon, Dario Azzimonti, and Giorgio Corani
• Abstract要約: 本研究では,任意の種類の予測分布を調整するための条件付けに基づく新しい手法を提案する。 次にBottom-Up Smplingと呼ばれる新しいアルゴリズムを導入し、再構成された分布から効率的にサンプリングする。
• 参考スコア（独自算出の注目度）: 0.840358257755792
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Hierarchical time series are common in several applied fields. The forecasts for these time series are required to be coherent, that is, to satisfy the constraints given by the hierarchy. The most popular technique to enforce coherence is called reconciliation, which adjusts the base forecasts computed for each time series. However, recent works on probabilistic reconciliation present several limitations. In this paper, we propose a new approach based on conditioning to reconcile any type of forecast distribution. We then introduce a new algorithm, called Bottom-Up Importance Sampling, to efficiently sample from the reconciled distribution. It can be used for any base forecast distribution: discrete, continuous, or in the form of samples, providing a major speedup compared to the current methods. Experiments on several temporal hierarchies show a significant improvement over base probabilistic forecasts.
• Abstract（参考訳）: 階層的な時系列はいくつかの応用分野において一般的である。 これらの時系列の予測は、階層によって与えられる制約を満たすために、コヒーレントである必要がある。 コヒーレンスを強制する最も一般的なテクニックは調停と呼ばれ、各時系列で計算されたベース予測を調整する。 しかし、確率的和解に関する最近の研究にはいくつかの制限がある。 本稿では,任意の種類の予測分布を調和させる条件付けに基づく新しい手法を提案する。 次に,再結合分布から効率的にサンプリングするために,ボトムアップ重要度サンプリングと呼ばれる新しいアルゴリズムを導入する。 離散的、連続的、あるいはサンプルの形で、任意のベース予測分布に使用することができ、現在の方法と比較して大きなスピードアップを提供する。 いくつかの時間的階層の実験は、基礎確率予測よりも顕著に改善されている。

関連論文リスト

• 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)
• 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)
• 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)
• A Top-Down Approach to Hierarchically Coherent Probabilistic Forecasting [21.023456590248827]
  注意に基づく新しいRNNモデルを用いて、各親予測が任意の時点において、その子ノード間で分割される割合の分布を学習する。 結果の予測はトップダウンで計算され、自然にコヒーレントである。
  論文  参考訳（メタデータ） (2022-04-21T21:32:28Z)
• Distributional Gradient Boosting Machines [77.34726150561087]
  私たちのフレームワークはXGBoostとLightGBMをベースにしています。 我々は,このフレームワークが最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2022-04-02T06:32:19Z)
• MECATS: Mixture-of-Experts for Quantile Forecasts of Aggregated Time Series [11.826510794042548]
  我々はtexttMECATS という異種の専門家フレームワークを混合して導入する。 集約階層を通じて関連付けられた時系列の集合の値を同時に予測する。 異なる種類の予測モデルを個別の専門家として使用することで、各モデルの形式を対応する時系列の性質に合わせて調整することができる。
  論文  参考訳（メタデータ） (2021-12-22T05:05:30Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Probabilistic Hierarchical Forecasting with Deep Poisson Mixtures [2.1670528702668648]
  本稿では,信頼性の高い階層情報が存在する場合に,時系列の正確で一貫性のある確率予測を行う新しい手法を提案する。 私たちはそれをDeep Poisson Mixture Network(DPMN)と呼ぶ。 ニューラルネットワークと階層時系列構造の結合分布の統計モデルの組み合わせに依存している。
  論文  参考訳（メタデータ） (2021-10-25T18:02:03Z)
• Hierarchically Regularized Deep Forecasting [18.539846932184012]
  本稿では,グローバルな時系列集合に沿って時系列を分解した階層予測のための新しい手法を提案する。 過去の手法とは異なり、我々の手法は時系列予測の一貫性を維持しつつ、推論時にスケーラブルである。
  論文  参考訳（メタデータ） (2021-06-14T17:38:16Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。