論文の概要: Beyond S-curves: Recurrent Neural Networks for Technology Forecasting

• arxiv url: http://arxiv.org/abs/2211.15334v1
• Date: Mon, 28 Nov 2022 14:16:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 20:45:02.336138
• Title: Beyond S-curves: Recurrent Neural Networks for Technology Forecasting
• Title（参考訳）: beyond s-curves: 技術予測のためのリカレントニューラルネットワーク
• Authors: Alexander Glavackij, Dimitri Percia David, Alain Mermoud, Angelika Romanou, Karl Aberer
• Abstract要約: 我々は機械学習と時系列予測の最近の進歩を生かしたオートコーダアプローチを開発した。 S曲線予測は、単純なARIMAベースラインに匹敵する平均パーセンテージ誤差(MAPE)を示す。 我々のオートエンコーダアプローチは、2番目に高い結果に対して平均13.5%改善する。
• 参考スコア（独自算出の注目度）: 60.82125150951035
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Because of the considerable heterogeneity and complexity of the technological landscape, building accurate models to forecast is a challenging endeavor. Due to their high prevalence in many complex systems, S-curves are a popular forecasting approach in previous work. However, their forecasting performance has not been directly compared to other technology forecasting approaches. Additionally, recent developments in time series forecasting that claim to improve forecasting accuracy are yet to be applied to technological development data. This work addresses both research gaps by comparing the forecasting performance of S-curves to a baseline and by developing an autencoder approach that employs recent advances in machine learning and time series forecasting. S-curves forecasts largely exhibit a mean average percentage error (MAPE) comparable to a simple ARIMA baseline. However, for a minority of emerging technologies, the MAPE increases by two magnitudes. Our autoencoder approach improves the MAPE by 13.5% on average over the second-best result. It forecasts established technologies with the same accuracy as the other approaches. However, it is especially strong at forecasting emerging technologies with a mean MAPE 18% lower than the next best result. Our results imply that a simple ARIMA model is preferable over the S-curve for technology forecasting. Practitioners looking for more accurate forecasts should opt for the presented autoencoder approach.
• Abstract（参考訳）: 技術的ランドスケープのかなりの多様性と複雑さのため、正確なモデルを構築して予測することは困難な取り組みである。 多くの複雑なシステムにおいて高い頻度でS曲線は以前の研究で一般的な予測手法である。 しかし、その予測性能は他の技術予測手法と直接比較されていない。 さらに、予測精度の向上を主張する時系列予測の最近の発展は、技術開発データにはまだ適用されていない。 本研究は,s曲線の予測性能をベースラインと比較し,機械学習と時系列予測の最近の進歩を用いたautencoderアプローチを開発することにより,両研究のギャップに対処する。 S曲線予測は、単純なARIMAベースラインに匹敵する平均パーセンテージ誤差(MAPE)を示す。 しかし、新興技術の少数派にとっては、MAPEは2等級に増大する。 我々のオートエンコーダアプローチは、2番目に高い結果に対して平均13.5%改善する。 他のアプローチと同じ精度で確立された技術を予測する。 しかし、特に新興技術の予測は、平均MAPEが次の最良の結果より18%低いことが強くなっている。 以上の結果から,S曲線よりも単純なARIMAモデルの方が好ましいことが示唆された。 より正確な予測を求める実践者は、提示されたautoencoderアプローチを選択する必要がある。

関連論文リスト

• Machine learning models for daily rainfall forecasting in Northern Tropical Africa using tropical wave predictors [0.0]
  数値気象予報(NWP)モデルは、北熱帯アフリカにおけるより単純な気候学に基づく降水予測と比較すると性能が劣ることが多い。 本研究では,ガンマ回帰モデルと熱帯波(TW)で学習した畳み込みニューラルネットワーク(CNN)の2つの機械学習モデルを用いて,7～9月のモンスーンシーズンの日降雨を予測する。
  論文  参考訳（メタデータ） (2024-08-29T08:36:22Z)
• Joint Hypergraph Rewiring and Memory-Augmented Forecasting Techniques in Digital Twin Technology [2.368662284133926]
  Digital Twin技術は、物理的オブジェクト、プロセス、システムの仮想レプリカを作成し、それらの特性、データ、振る舞いを複製する。 Digital Twin技術は、大規模複雑なセンサーネットワークにおけるグラフ予測技術を活用し、多様なシナリオの正確な予測とシミュレーションを可能にしている。 本稿では,新しいパターンへの高速適応と過去の知識のメモリベース検索を取り入れ,ハイパーグラフ表現学習のバックボーンを強化するハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-08-22T14:08:45Z)
• Forecasting with Deep Learning: Beyond Average of Average of Average Performance [0.393259574660092]
  予測モデルの評価と比較の現在のプラクティスは、パフォーマンスを1つのスコアにまとめることに集中しています。 複数の視点からモデルを評価するための新しいフレームワークを提案する。 このフレームワークの利点は、最先端のディープラーニングアプローチと古典的な予測手法を比較して示す。
  論文  参考訳（メタデータ） (2024-06-24T12:28:22Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
  我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。 我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。 この手法を現実のシナリオに適用するのは,私たちが初めてです。
  論文  参考訳（メタデータ） (2023-12-18T09:05:28Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
  PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。 既存の最先端手法と比較してPGBMの利点を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-03T08:32:13Z)
• Profit-oriented sales forecasting: a comparison of forecasting techniques from a business perspective [3.613072342189595]
  本稿では,コカ・コーラ社の産業界データと公開データセットの両方から成る35回連続のテクニックを比較検討する。 モデル構築と評価プロセスの両方において、テクニックが生成できる期待される利益を考慮に入れた、新しく完全に自動化された利益主導のアプローチを導入します。
  論文  参考訳（メタデータ） (2020-02-03T14:50:24Z)
• Machine learning for total cloud cover prediction [0.0]
  本稿では,多層パーセプトロン(MLP)ニューラルネットワーク,勾配促進機(GBM)およびランダムフォレスト(RF)法を用いた後処理の性能について検討する。 生のアンサンブルと比較して、全ての校正法は予測スキルを著しく向上させる。 RFモデルは予測性能が最小となる一方、POLRとGBMのアプローチは最良である。
  論文  参考訳（メタデータ） (2020-01-16T17:13:37Z)

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。