論文の概要: Improving Accuracy Without Losing Interpretability: A ML Approach for
Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2212.06620v1
- Date: Tue, 13 Dec 2022 14:51:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 15:13:38.096410
- Title: Improving Accuracy Without Losing Interpretability: A ML Approach for
Time Series Forecasting
- Title（参考訳）: 解釈可能性を失うことなく精度を向上させる:時系列予測のためのMLアプローチ
- Authors: Yiqi Sun, Zhengxin Shi, Jianshen Zhang, Yongzhi Qi, Hao Hu, Zuojun Max
Shen
- Abstract要約: 時系列予測では、分解に基づくアルゴリズムが集約データを意味のあるコンポーネントに分解する。
近年のアルゴリズムは、予測精度を向上させるために、機械学習(以下、ML)手法と分解を組み合わせていることが多い。
本稿では,分解とMLを組み合わせたハイブリッドアルゴリズムW-Rを提案する。
- 参考スコア（独自算出の注目度）: 4.025941501724274
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In time series forecasting, decomposition-based algorithms break aggregate
data into meaningful components and are therefore appreciated for their
particular advantages in interpretability. Recent algorithms often combine
machine learning (hereafter ML) methodology with decomposition to improve
prediction accuracy. However, incorporating ML is generally considered to
sacrifice interpretability inevitably. In addition, existing hybrid algorithms
usually rely on theoretical models with statistical assumptions and focus only
on the accuracy of aggregate predictions, and thus suffer from accuracy
problems, especially in component estimates. In response to the above issues,
this research explores the possibility of improving accuracy without losing
interpretability in time series forecasting. We first quantitatively define
interpretability for data-driven forecasts and systematically review the
existing forecasting algorithms from the perspective of interpretability.
Accordingly, we propose the W-R algorithm, a hybrid algorithm that combines
decomposition and ML from a novel perspective. Specifically, the W-R algorithm
replaces the standard additive combination function with a weighted variant and
uses ML to modify the estimates of all components simultaneously. We
mathematically analyze the theoretical basis of the algorithm and validate its
performance through extensive numerical experiments. In general, the W-R
algorithm outperforms all decomposition-based and ML benchmarks. Based on
P50_QL, the algorithm relatively improves by 8.76% in accuracy on the practical
sales forecasts of JD.com and 77.99% on a public dataset of electricity loads.
This research offers an innovative perspective to combine the statistical and
ML algorithms, and JD.com has implemented the W-R algorithm to make accurate
sales predictions and guide its marketing activities.
- Abstract（参考訳）: 時系列予測において、分解に基づくアルゴリズムは、集約データを意味のある構成要素に分解し、解釈可能性において特に有利な点を高く評価する。
最近のアルゴリズムでは、予測精度を改善するために機械学習(以下、ML)の方法論と分解を組み合わせることが多い。
しかし、MLの導入は必然的に解釈可能性の犠牲になると考えられている。
さらに、既存のハイブリッドアルゴリズムは通常、統計的仮定を持つ理論モデルに依存し、集約予測の精度のみに焦点を当てているため、特に成分推定において精度の問題に直面する。
以上の問題に対して,時系列予測における解釈可能性を失うことなく精度向上の可能性を検討する。
まず、データ駆動予測の解釈可能性を定義し、解釈可能性の観点から既存の予測アルゴリズムを体系的にレビューする。
そこで本研究では,新しい視点から分解とmlを組み合わせたハイブリッドアルゴリズムであるw-rを提案する。
具体的には、W-Rアルゴリズムは標準加法結合関数を重み付き変種に置き換え、MLを使用して全てのコンポーネントの見積もりを同時に修正する。
アルゴリズムの理論的基礎を数学的に解析し,その性能を広範囲な数値実験により検証する。
一般に、w-rアルゴリズムはすべての分解ベースおよびmlベンチマークを上回る。
P50_QLに基づいて、このアルゴリズムはJD.comの実際の販売予測では8.76%、公共の電力負荷データセットでは77.99%の精度で比較的改善されている。
この研究は、統計アルゴリズムとMLアルゴリズムを組み合わせる革新的な視点を提供し、JD.comは正確な販売予測を行い、マーケティング活動を導くためにW-Rアルゴリズムを実装した。
関連論文リスト
- Comparative Evaluation of Metaheuristic Algorithms for Hyperparameter
Selection in Short-Term Weather Forecasting [0.0]
本稿では,遺伝的アルゴリズム (GA), 微分進化 (DE), 粒子群最適化 (PSO) のメタヒューリスティックアルゴリズムの適用について検討する。
平均二乗誤差(MSE)や平均絶対パーセンテージ誤差(MAPE)といった指標に基づいて天気予報の性能を評価する。
論文 参考訳（メタデータ） (2023-09-05T22:13:35Z) - Algorithme EM r\'egularis\'e [0.0]
本稿では,より少ないサンプルサイズに対応するために,事前知識を効率的に活用するEMアルゴリズムの正規化バージョンを提案する。
実データを用いた実験では,クラスタリングのための提案アルゴリズムの性能が向上した。
論文 参考訳（メタデータ） (2023-07-04T23:19:25Z) - Representation Learning with Multi-Step Inverse Kinematics: An Efficient
and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。
所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。
我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文 参考訳（メタデータ） (2023-04-12T14:51:47Z) - Development and Evaluation of Conformal Prediction Methods for QSAR [0.5161531917413706]
定量的構造活性相関モデル(QSAR)は、化合物の生物活性を予測するために一般的に用いられる手法である。
優れた予測性能を達成する機械学習(ML)アルゴリズムの多くは、予測の不確実性を推定するためのいくつかのアドオンメソッドを必要とする。
コンフォーマル予測(CP)は予測アルゴリズムに非依存であり、データ分布の弱い仮定の下で有効な予測間隔を生成できる。
論文 参考訳（メタデータ） (2023-04-03T13:41:09Z) - Scalable computation of prediction intervals for neural networks via
matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。
本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-06T13:18:31Z) - Efficient and Differentiable Conformal Prediction with General Function
Classes [96.74055810115456]
本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。
本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。
実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
論文 参考訳（メタデータ） (2022-02-22T18:37:23Z) - Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。
我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。
これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
論文 参考訳（メタデータ） (2022-02-21T13:18:11Z) - Robustification of Online Graph Exploration Methods [59.50307752165016]
我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。
本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-10T10:02:31Z) - Dual Optimization for Kolmogorov Model Learning Using Enhanced Gradient
Descent [8.714458129632158]
コルモゴロフモデル(コルモゴロフモデル、英: Kolmogorov model、KM)は、確率変数の集合の基本的な確率構造を学ぶための解釈可能で予測可能な表現手法である。
正規化双対最適化と拡張勾配降下法(GD)を併用した計算スケーラブルなKM学習アルゴリズムを提案する。
提案したKM学習アルゴリズムを用いた論理的関係マイニングの精度は80%以上である。
論文 参考訳（メタデータ） (2021-07-11T10:33:02Z) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳（メタデータ） (2021-06-09T08:05:36Z) - A machine learning approach for efficient multi-dimensional integration [3.42658286826597]
機械学習(ML)技術を用いた新しい多次元統合アルゴリズムを提案する。
これらの結果から,新しいアルゴリズムは,ほとんどのテストケースにおいて,アルゴリズムの精度を桁違いに小さくした積分推定値を提供することがわかった。
論文 参考訳（メタデータ） (2020-09-14T19:11:14Z)
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。