論文の概要: QBSD: Quartile-Based Seasonality Decomposition for Cost-Effective Time
Series Forecasting
- arxiv url: http://arxiv.org/abs/2306.05989v2
- Date: Wed, 16 Aug 2023 14:47:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-17 16:40:56.744157
- Title: QBSD: Quartile-Based Seasonality Decomposition for Cost-Effective Time
Series Forecasting
- Title(参考訳): QBSD: コスト効果のある時系列予測のための四季ベースの季節分解
- Authors: Ebenezer RHP Isaac and Bulbul Singh
- Abstract要約: 我々は,精度と計算複雑性のトレードオフを最適化する,ライブ予測手法であるQBSDを紹介する。
我々は,公開データセットの最先端予測手法に対するQBSDの性能評価を行った。
- 参考スコア(独自算出の注目度): 0.21756081703275998
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In the telecom domain, precise forecasting of time series patterns, such as
cell key performance indicators (KPIs), plays a pivotal role in enhancing
service quality and operational efficiency. State-of-the-art forecasting
approaches prioritize forecasting accuracy at the expense of computational
performance, rendering them less suitable for data-intensive applications
encompassing systems with a multitude of time series variables. To address this
issue, we introduce QBSD, a live forecasting approach tailored to optimize the
trade-off between accuracy and computational complexity. We have evaluated the
performance of QBSD against state-of-the-art forecasting approaches on publicly
available datasets. We have also extended this investigation to our curated
network KPI dataset, now publicly accessible, to showcase the effect of dynamic
operating ranges that varies with time. The results demonstrate that the
proposed method excels in runtime efficiency compared to the leading algorithms
available while maintaining competitive forecast accuracy.
- Abstract(参考訳): 通信分野において、セルキー性能指標(KPI)のような時系列パターンの正確な予測は、サービス品質と運用効率を高める上で重要な役割を果たす。
最先端予測手法は、計算性能を犠牲にして予測精度を優先し、複数の時系列変数を持つシステムを含むデータ集約型アプリケーションにはあまり適さない。
この問題に対処するために,精度と計算複雑性のトレードオフを最適化するライブ予測手法であるQBSDを紹介する。
公開データセットに対する最先端予測手法に対するQBSDの性能評価を行った。
我々はまた、この調査をキュレートされたネットワークKPIデータセットに拡張し、現在公開されており、時間によって異なる動的操作範囲の効果を示す。
その結果,提案手法は,競合予測精度を維持しつつ,先行アルゴリズムと比較して実行時効率に優れていることがわかった。
関連論文リスト
- Probing the Robustness of Time-series Forecasting Models with
CounterfacTS [1.823020744088554]
我々は,時系列予測タスクにおけるディープラーニングモデルの堅牢性を調査するツールであるCounterfacTSを提示し,公開する。
CounterfacTSにはユーザフレンドリーなインターフェースがあり、時系列データとその予測を視覚化、比較、定量化することができる。
論文 参考訳(メタデータ) (2024-03-06T07:34:47Z) - 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) - Loss Shaping Constraints for Long-Term Time Series Forecasting [86.6877920044998]
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) - Towards providing reliable job completion time predictions using PCS [0.874967598360817]
PCSは、他の伝統的な目的のバランスを保ちながら予測可能性を提供することを目的とした、新しいスケジューリングフレームワークである。
PCSは、性能と公正性を極端に妥協しながら、正確な完了時間推定を提供することができる。
論文 参考訳(メタデータ) (2024-01-18T19:46:24Z) - 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) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - 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) - Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。
時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。
我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。
提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
論文 参考訳(メタデータ) (2022-10-02T06:58:49Z) - 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) - Self-Adaptive Forecasting for Improved Deep Learning on Non-Stationary
Time-Series [20.958959332978726]
SAFは、バックキャストに基づく予測に先立って自己適応段階を統合する」
提案手法は,符号化された表現を進化する分布に効率よく適応させることにより,より優れた一般化を実現する。
時系列データが医療や金融などの非定常性で知られる領域における合成および実世界のデータセットについて、SAFの顕著なメリットを実証する。
論文 参考訳(メタデータ) (2022-02-04T21:54:10Z) - 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。