論文の概要: Towards Better Long-range Time Series Forecasting using Generative Forecasting

• arxiv url: http://arxiv.org/abs/2212.06142v1
• Date: Fri, 9 Dec 2022 13:35:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-14 13:45:44.824420
• Title: Towards Better Long-range Time Series Forecasting using Generative Forecasting
• Title（参考訳）: 生成予測を用いた長距離時系列予測の改善に向けて
• Authors: Shiyu Liu, Rohan Ghosh, Mehul Motani
• Abstract要約: 我々は生成予測(GenF)と呼ばれる新しい予測戦略を提案する。 GenFは次の数ステップで合成データを生成し、生成および観測されたデータに基づいて長距離予測を行う。 予測性能(絶対誤差)は5%から11%向上する一方、パラメータは15%から50%減少する。
• 参考スコア（独自算出の注目度）: 29.046659097553515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-range time series forecasting is usually based on one of two existing forecasting strategies: Direct Forecasting and Iterative Forecasting, where the former provides low bias, high variance forecasts and the latter leads to low variance, high bias forecasts. In this paper, we propose a new forecasting strategy called Generative Forecasting (GenF), which generates synthetic data for the next few time steps and then makes long-range forecasts based on generated and observed data. We theoretically prove that GenF is able to better balance the forecasting variance and bias, leading to a much smaller forecasting error. We implement GenF via three components: (i) a novel conditional Wasserstein Generative Adversarial Network (GAN) based generator for synthetic time series data generation, called CWGAN-TS. (ii) a transformer based predictor, which makes long-range predictions using both generated and observed data. (iii) an information theoretic clustering algorithm to improve the training of both the CWGAN-TS and the transformer based predictor. The experimental results on five public datasets demonstrate that GenF significantly outperforms a diverse range of state-of-the-art benchmarks and classical approaches. Specifically, we find a 5% - 11% improvement in predictive performance (mean absolute error) while having a 15% - 50% reduction in parameters compared to the benchmarks. Lastly, we conduct an ablation study to further explore and demonstrate the effectiveness of the components comprising GenF.
• Abstract（参考訳）: 通常、長距離時系列予測は、直接予測と反復予測の2つの既存の予測戦略の1つに基づいており、前者が低バイアス、高分散予測、後者が低分散、高バイアス予測をもたらす。 本稿では,今後数ステップにわたって合成データを生成し,生成および観測データに基づいて長距離予測を行う生成予測(genf)と呼ばれる新しい予測戦略を提案する。 我々は、GenFが予測のばらつきとバイアスのバランスをより良くし、予測誤差をはるかに小さくすることができることを理論的に証明する。 我々は3つのコンポーネントを通してGenFを実装します。 (i)CWGAN-TSと呼ばれる合成時系列データ生成のための新しい条件付きWasserstein Generative Adversarial Network(GAN)ベースのジェネレータ。 (ii) 生成データと観測データの両方を用いて長距離予測を行う変圧器に基づく予測器。 3) CWGAN-TSと変圧器に基づく予測器の両方のトレーニングを改善するための情報理論クラスタリングアルゴリズム。 5つの公開データセットの実験結果は、GenFが最先端のベンチマークと古典的なアプローチの多様性を大きく上回っていることを示している。 具体的には、5%から11%の予測性能(絶対誤差)が向上し、15%から50%のパラメータがベンチマークと比較して低下した。 最後に、我々は、GenFを構成するコンポーネントのさらなる探索および実証のためにアブレーション研究を行う。

関連論文リスト

• Stock Volume Forecasting with Advanced Information by Conditional Variational Auto-Encoder [49.97673761305336]
  本研究では,短時間・長期の予測作業において,日当たりのストックボリューム時系列の予測を改善するために,条件変動(CVAE)を用いることを実証する。 CVAEは非線形時系列をサンプル外予測として生成し、精度が向上し、実際のデータとの相関関係がより緊密になる。
  論文  参考訳（メタデータ） (2024-06-19T13:13:06Z)
• Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting [0.0]
  本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。 GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。 これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
  論文  参考訳（メタデータ） (2024-02-23T06:09:45Z)
• 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)
• 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)
• Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
  本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。 ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。 以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-10-12T08:51:59Z)
• 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)
• Forecasting inflation using disaggregates and machine learning [0.0]
  我々は、インフレーションの異なる分散レベルを考慮し、線形および非線形機械学習(ML)モデルと同様に、様々な伝統的な時系列技術を用いて、より多くの予測値を扱う。 多くの予測地平線において、非凝集予測の集計は、この集計を用いて直接予測を生成するサーベイベースの予測とモデルと同様に実行される。 本研究は,ML手法による非凝集予測の集約を含む,データ豊富な環境下でのインフレーション予測におけるモデルの活用のメリットを裏付けるものである。
  論文  参考訳（メタデータ） (2023-08-22T04:01:40Z)
• 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)
• 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)
• Towards Better Long-range Time Series Forecasting using Generative Adversarial Networks [40.662116703422846]
  本研究では,CWGAN(Conditional Wasserstein GAN)を用いてエラーペナルティ項を増大させ,高品質な合成時系列データを生成するための新たな生成モデルを提案する。 このような合成データを用いて、生成予測(GenF)と呼ばれる長距離予測手法を開発する。
  論文  参考訳（メタデータ） (2021-10-17T09:13:45Z)
• Feature-weighted Stacking for Nonseasonal Time Series Forecasts: A Case Study of the COVID-19 Epidemic Curves [0.0]
  本研究では,非シーズン時間帯での利用可能性について,予測におけるアンサンブル手法について検討する。 予備予測段階における予測能力を証明する2つの予測モデルと2つのメタ機能からなる重畳アンサンブルを用いて遅延データ融合を提案する。
  論文  参考訳（メタデータ） (2021-08-19T14:44:46Z)

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。