論文の概要: pTSE: A Multi-model Ensemble Method for Probabilistic Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2305.11304v2
• Date: Thu, 31 Aug 2023 02:10:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-01 20:09:43.116667
• Title: pTSE: A Multi-model Ensemble Method for Probabilistic Time Series Forecasting
• Title（参考訳）: pTSE:確率的時系列予測のためのマルチモデルアンサンブル手法
• Authors: Yunyi Zhou, Zhixuan Chu, Yijia Ruan, Ge Jin, Yuchen Huang, Sheng Li
• Abstract要約: pTSEは隠れマルコフモデル(HMM)に基づく確率予測のための多モデル分布アンサンブル法である pTSE の完全理論的解析を行い,HMM を対象とする時系列の経験的分布が定常分布にほぼ確実に収束することを示す。 ベンチマーク実験は、pTSE全体構成モデルと競合アンサンブル手法の優位性を示している。
• 参考スコア（独自算出の注目度）: 10.441994923253596
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Various probabilistic time series forecasting models have sprung up and shown remarkably good performance. However, the choice of model highly relies on the characteristics of the input time series and the fixed distribution that the model is based on. Due to the fact that the probability distributions cannot be averaged over different models straightforwardly, the current time series model ensemble methods cannot be directly applied to improve the robustness and accuracy of forecasting. To address this issue, we propose pTSE, a multi-model distribution ensemble method for probabilistic forecasting based on Hidden Markov Model (HMM). pTSE only takes off-the-shelf outputs from member models without requiring further information about each model. Besides, we provide a complete theoretical analysis of pTSE to prove that the empirical distribution of time series subject to an HMM will converge to the stationary distribution almost surely. Experiments on benchmarks show the superiority of pTSE overall member models and competitive ensemble methods.
• Abstract（参考訳）: 様々な確率的時系列予測モデルが生まれ、非常に優れた性能を示した。 しかし,モデルの選択は入力時系列の特性とモデルがベースとする固定分布に大きく依存する。 確率分布が異なるモデルに対して直接的に平均化できないため、現在の時系列モデルアンサンブル法は予測の堅牢性と精度を向上させるために直接適用できない。 この問題に対処するために,隠れマルコフモデル(HMM)に基づく確率予測のためのマルチモデル分布アンサンブル法であるpTSEを提案する。 pTSEは、各モデルに関する追加情報を必要とせずに、メンバーモデルからのオフザシェルフ出力のみを取る。 さらに,HMM を対象とする時系列の経験的分布が定常分布にほぼ確実に収束することを示すため,pTSE の完全な理論的解析を行う。 ベンチマーク実験は、pTSE全体構成モデルと競合アンサンブル手法の優位性を示している。

関連論文リスト

• Deep Non-Parametric Time Series Forecaster [19.800783133682955]
  提案手法は, 予測分布のパラメトリック形式を仮定せず, 学習可能な戦略に従って実験分布からサンプリングして予測を生成する。 提案手法のグローバルバージョンを開発し,複数の時系列にまたがる情報を活用することで,サンプリング戦略を自動的に学習する。
  論文  参考訳（メタデータ） (2023-12-22T12:46:30Z)
• Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
  本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。 本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
  論文  参考訳（メタデータ） (2023-10-24T22:59:56Z)
• 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)
• Predict, Refine, Synthesize: Self-Guiding Diffusion Models for Probabilistic Time Series Forecasting [10.491628898499684]
  時系列の非条件学習拡散モデルであるTSDiffを提案する。 提案する自己誘導機構により、補助的ネットワークやトレーニング手順の変更を必要とせず、推論中に下流タスクに対してTSDiffを条件付けることができる。 本研究では,予測,改良,合成データ生成という3つの時系列タスクにおいて,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-07-21T10:56:36Z)
• Scalable Dynamic Mixture Model with Full Covariance for Probabilistic Traffic Forecasting [16.04029885574568]
  時間変化誤差過程に対するゼロ平均ガウス分布の動的混合を提案する。 提案手法は,学習すべきパラメータを数つ追加するだけで,既存のディープラーニングフレームワークにシームレスに統合することができる。 提案手法を交通速度予測タスク上で評価し,提案手法がモデル水平線を改良するだけでなく,解釈可能な時間相関構造も提供することを発見した。
  論文  参考訳（メタデータ） (2022-12-10T22:50:00Z)
• Model ensemble instead of prompt fusion: a sample-specific knowledge transfer method for few-shot prompt tuning [85.55727213502402]
  我々は、ソースタスクのソフトプロンプトから知識を伝達することで、プロンプトチューニングにおける数ショットのパフォーマンスを改善することに集中する。 我々はソースモデル(SESoM)のサンプル固有アンサンブルを提案する。 SESoMは、ソースモデルが出力されるときに、ターゲットの各サンプルに対するソースモデルのコントリビューションを個別に調整することを学ぶ。
  論文  参考訳（メタデータ） (2022-10-23T01:33:16Z)
• 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)
• Out of Distribution Detection, Generalization, and Robustness Triangle with Maximum Probability Theorem [2.0654955576087084]
  MPTは、モデルが確率変数に仮定する確率分布を用いて、モデルの確率の上限を与える。 我々は,MPTをCNNのトレーニングにおける正規化スキームとして組み込むことにより,コンピュータビジョンにおけるアウト・オブ・ディストリビューション(OOD)検出問題に挑戦する。
  論文  参考訳（メタデータ） (2022-03-23T02:42:08Z)
• Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
  まず確率分布をモデル化し,そのモデルからサンプリングする。 これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
  論文  参考訳（メタデータ） (2021-10-20T12:25:22Z)
• PSD Representations for Effective Probability Models [117.35298398434628]
  最近提案された非負関数に対する正半定値(PSD)モデルがこの目的に特に適していることを示す。 我々はPSDモデルの近似と一般化能力の両方を特徴付け、それらが強い理論的保証を享受していることを示す。 本研究では,PSDモデルの密度推定,決定理論,推論への応用への道を開く。
  論文  参考訳（メタデータ） (2021-06-30T15:13:39Z)
• A Worrying Analysis of Probabilistic Time-series Models for Sales Forecasting [10.690379201437015]
  確率的時系列モデルは、不確実性の下で最適な決定を下すのに役立つため、予測分野で人気がある。 販売予測のための3つの顕著な確率的時系列モデルの性能解析を行った。
  論文  参考訳（メタデータ） (2020-11-21T03:31:23Z)

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。