論文の概要: Quartile-Based Seasonality Decomposition for Time Series Forecasting and
Anomaly Detection
- arxiv url: http://arxiv.org/abs/2306.05989v1
- Date: Fri, 9 Jun 2023 15:59:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-12 12:41:55.302871
- Title: Quartile-Based Seasonality Decomposition for Time Series Forecasting and
Anomaly Detection
- Title(参考訳): 時系列予測と異常検出のための四成分系季節分解
- Authors: Ebenezer RHP Isaac and Bulbul Singh
- Abstract要約: QBSD(Quartile-Based Seasonality Decomposition)は,本論文で提案した実時間予測手法である。
本稿では,QBSDの性能を最先端の予測手法と比較し,その実用的異常検出への適用性について述べる。
- 参考スコア(独自算出の注目度): 0.685316573653194
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The timely detection of anomalies is essential in the telecom domain as it
facilitates the identification and characterization of irregular patterns,
abnormal behaviors, and network anomalies, contributing to enhanced service
quality and operational efficiency. Precisely forecasting and eliminating
predictable time series patterns constitutes a vital component of time series
anomaly detection. While the state-of-the-art methods aim to maximize
forecasting accuracy, the computational performance takes a hit. In a system
composed of a large number of time series variables, e.g., cell Key Performance
Indicators (KPIs), the time and space complexity of the forecasting employed is
of crucial importance. Quartile-Based Seasonality Decomposition (QBSD) is a
live forecasting method proposed in this paper to make an optimal trade-off
between computational complexity and forecasting accuracy. This paper compares
the performance of QBSD to the state-of-the-art forecasting methods and their
applicability to practical anomaly detection. To demonstrate the efficacy of
the proposed solution, experimental evaluation was conducted using publicly
available datasets as well as a telecom KPI dataset.
- Abstract(参考訳): 通信領域では、異常パターン、異常行動、ネットワーク異常の識別とキャラクタリゼーションが容易になり、サービス品質と運用効率の向上に寄与するため、異常のタイムリーな検出が不可欠である。
予測可能な時系列パターンの正確な予測と排除は、時系列異常検出の重要な構成要素である。
最先端の手法は予測精度を最大化することを目指しているが、計算性能は低下する。
セルキーパフォーマンス指標(KPI)のような多数の時系列変数で構成されるシステムでは、使用される予測の時間と空間の複雑さが重要である。
QBSD(Quartile-Based Seasonality Decomposition)は,計算複雑性と予測精度のトレードオフを最適に行うために提案した実時間予測手法である。
本稿では,qbsdの性能を最先端予測手法と実用的異常検出への適用性と比較する。
提案手法の有効性を実証するため,公開データセットとテレコムkpiデータセットを用いて実験評価を行った。
関連論文リスト
- Value-Based Deep RL Scales Predictably [100.21834069400023]
本研究は, 地域社会が病的行動に不安を抱いているにもかかわらず, 価値に基づく非政治的RL法が予測可能であることを示す。
SAC、BRO、PQLの3つのアルゴリズムを使って、DeepMind Control、OpenAI gym、IsaacGymの3つのアプローチを検証する。
論文 参考訳(メタデータ) (2025-02-06T18:59:47Z) - Neural Conformal Control for Time Series Forecasting [54.96087475179419]
非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。
提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。
予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
論文 参考訳(メタデータ) (2024-12-24T03:56:25Z) - Enhancing Microgrid Performance Prediction with Attention-based Deep Learning Models [0.0]
本研究の目的は、グリッド不安定性に寄与する電力振動を特徴とするマイクログリッドシステムの運用上の課題に対処することである。
畳み込みとGRU(Gated Recurrent Unit)の強みを活かした統合戦略が提案されている。
このフレームワークは、包括的な負荷予測を行うMulti-Layer Perceptron(MLP)モデルによって固定されている。
論文 参考訳(メタデータ) (2024-07-20T21:24:11Z) - Stratified Prediction-Powered Inference for Hybrid Language Model Evaluation [62.2436697657307]
予測駆動推論(英: Prediction-powered Inference, PPI)は、人間ラベル付き限られたデータに基づいて統計的推定を改善する手法である。
我々はStratPPI(Stratified Prediction-Powered Inference)という手法を提案する。
単純なデータ階層化戦略を用いることで,基礎的なPPI推定精度を大幅に向上できることを示す。
論文 参考訳(メタデータ) (2024-06-06T17:37:39Z) - Share Your Secrets for Privacy! Confidential Forecasting with Vertical Federated Learning [5.584904689846748]
製造業における主な課題は、データプライバシと、小さくノイズの多いデータセットへの過度な適合である。
本稿では、以下の重要な特徴を示す新しいフレームワークである「VFLによる秘かに共有された時系列予測」を提案する。
以上の結果から,STVの予測精度は集中型手法に匹敵することがわかった。
論文 参考訳(メタデータ) (2024-05-31T12:27:38Z) - Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
本稿では,長期時系列予測のための制約付き学習手法を提案する。
提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-02-14T18:20:44Z) - Low Complexity Adaptive Machine Learning Approaches for End-to-End
Latency Prediction [0.0]
この研究は、予測、監視、予測のための効率的で低コストな適応アルゴリズムの設計である。
我々は,GNNにおける近年の国際的課題の後に提供されたパブリックジェネレータから得られるデータに対して,我々のアプローチと結果を説明するために,エンドツーエンドの遅延予測に焦点を当てた。
論文 参考訳(メタデータ) (2023-01-31T10:29:11Z) - Optimizing for the Future in Non-Stationary MDPs [52.373873622008944]
本稿では,今後の性能予測を最大化するポリシ勾配アルゴリズムを提案する。
我々のアルゴリズムであるPrognosticatorは2つのオンライン適応手法よりも非定常性に頑健であることを示す。
論文 参考訳(メタデータ) (2020-05-17T03:41:19Z) - Deep Echo State Networks for Short-Term Traffic Forecasting: Performance
Comparison and Statistical Assessment [8.586891288891263]
短期的な交通予測では、関心のある交通パラメータの将来の値を正確に予測することが目的である。
Deep Echo State Networksは、考慮されている他のモデリングモデルよりも正確なトラフィック予測を実現している。
論文 参考訳(メタデータ) (2020-04-17T11:07:25Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳(メタデータ) (2020-02-21T13:48:13Z)
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。