論文の概要: Comparing statistical and machine learning methods for time series forecasting in data-driven logistics -- A simulation study
- arxiv url: http://arxiv.org/abs/2303.07139v2
- Date: Thu, 6 Jun 2024 12:46:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-08 01:09:36.923052
- Title: Comparing statistical and machine learning methods for time series forecasting in data-driven logistics -- A simulation study
- Title(参考訳): データ駆動ロジスティクスにおける時系列予測のための統計的および機械学習手法の比較-シミュレーション研究
- Authors: Lena Schmid, Moritz Roidl, Markus Pauly,
- Abstract要約: シミュレーション時系列の広いセットにおいて,ボックス外予測性能の観点から,様々な予測手法を比較した。
各種線形および非線形時系列をシミュレートし,統計的学習手法の1ステップ予測性能について検討する。
- 参考スコア(独自算出の注目度): 1.2289361708127877
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Many planning and decision activities in logistics and supply chain management are based on forecasts of multiple time dependent factors. Therefore, the quality of planning depends on the quality of the forecasts. We compare various forecasting methods in terms of out of the box forecasting performance on a broad set of simulated time series. We simulate various linear and non-linear time series and look at the one step forecast performance of statistical learning methods.
- Abstract(参考訳): 物流およびサプライチェーン管理における多くの計画と決定活動は、複数の時間依存要因の予測に基づいている。
したがって、計画の質は予測の質に依存する。
シミュレーション時系列の広いセットにおいて,ボックス外予測性能の観点から,様々な予測手法を比較した。
各種線形および非線形時系列をシミュレートし,統計的学習手法の1ステップ予測性能について検討する。
関連論文リスト
- Can time series forecasting be automated? A benchmark and analysis [4.19475889117731]
時系列予測は、金融、医療、気象など様々な分野において重要な役割を担っている。
与えられたデータセットに対して最適な予測方法を選択するタスクは、データパターンや特徴の多様性による複雑なタスクである。
本研究では,幅広いデータセットを対象とした時系列予測手法の評価とランキングのための総合ベンチマークを提案する。
論文 参考訳(メタデータ) (2024-07-23T12:54:06Z) - Experimental Comparison of Ensemble Methods and Time-to-Event Analysis
Models Through Integrated Brier Score and Concordance Index [2.3411633024711573]
本稿では,時間-時間解析のための予測モデルの性能について検討・比較する。
本研究では,時間-時間分析においてまだ研究されていないアンサンブル法が,予測精度を向上し,予測性能の堅牢性を高める方法を示す。
論文 参考訳(メタデータ) (2024-03-12T09:57:45Z) - Learning Mixture Structure on Multi-Source Time Series for Probabilistic
Forecasting [4.179947630802189]
本稿では,異なる予測関係を学習するためのニューラルネットワーク構造に基づく確率モデルを提案する。
対象変数の異なる分布に適用可能な予測および不確実性定量化手法を提案する。
論文 参考訳(メタデータ) (2023-02-22T00:51:44Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳(メタデータ) (2022-02-07T21:37:29Z) - CAMul: Calibrated and Accurate Multi-view Time-Series Forecasting [70.54920804222031]
本稿では,一般的な確率的マルチビュー予測フレームワークであるCAMulを提案する。
多様なデータソースから表現と不確実性を学ぶことができる。
動的コンテキスト固有の方法で、各データビューからの知識と不確実性を統合する。
CAMulは、他の最先端確率予測モデルよりも精度とキャリブレーションが25%以上向上していることを示す。
論文 参考訳(メタデータ) (2021-09-15T17:13:47Z) - Instance-wise Graph-based Framework for Multivariate Time Series
Forecasting [69.38716332931986]
我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。
私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
論文 参考訳(メタデータ) (2021-09-14T07:38:35Z) - Ensembles of Randomized NNs for Pattern-based Time Series Forecasting [0.0]
本稿では,ランダム化ニューラルネットワークに基づくアンサンブル予測手法を提案する。
時系列のパターンに基づく表現は、複数の季節の時系列を予測するのに適している。
4つの実世界の予測問題に対するケーススタディにより,提案手法の有効性と性能が検証された。
論文 参考訳(メタデータ) (2021-07-08T20:13:50Z) - MegazordNet: combining statistical and machine learning standpoints for
time series forecasting [0.4061135251278187]
MegazordNetは、時系列予測のための構造化ディープラーニングモデルと組み合わせて、金融シリーズ内の統計的特徴を探求するフレームワークである。
我々は,S&P500株の終値を予測する手法の評価を行った。
論文 参考訳(メタデータ) (2021-06-23T15:06:54Z) - 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) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳(メタデータ) (2020-07-26T08:17:10Z)
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。