論文の概要: Probabilistic Forecasting with Coherent Aggregation

• arxiv url: http://arxiv.org/abs/2307.09797v1
• Date: Wed, 19 Jul 2023 07:31:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-20 15:07:49.135854
• Title: Probabilistic Forecasting with Coherent Aggregation
• Title（参考訳）: コヒーレントアグリゲーションによる確率予測
• Authors: Geoffrey N\'egiar and Ruijun Ma and O. Nangba Meetei and Mengfei Cao and Michael W. Mahoney
• Abstract要約: 本稿では, 因子モデル構造を利用して構築によるコヒーレントな予測を生成する新しいモデルを提案する。 我々のモデルは3つの階層的予測データセットに対して11.8-41.4%の価格で大幅な改善を達成している。
• 参考スコア（独自算出の注目度）: 41.861302072687835
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Obtaining accurate probabilistic forecasts while respecting hierarchical information is an important operational challenge in many applications, perhaps most obviously in energy management, supply chain planning, and resource allocation. The basic challenge, especially for multivariate forecasting, is that forecasts are often required to be coherent with respect to the hierarchical structure. In this paper, we propose a new model which leverages a factor model structure to produce coherent forecasts by construction. This is a consequence of a simple (exchangeability) observation: permuting \textit{}base-level series in the hierarchy does not change their aggregates. Our model uses a convolutional neural network to produce parameters for the factors, their loadings and base-level distributions; it produces samples which can be differentiated with respect to the model's parameters; and it can therefore optimize for any sample-based loss function, including the Continuous Ranked Probability Score and quantile losses. We can choose arbitrary continuous distributions for the factor and the base-level distributions. We compare our method to two previous methods which can be optimized end-to-end, while enforcing coherent aggregation. Our model achieves significant improvements: between $11.8-41.4\%$ on three hierarchical forecasting datasets. We also analyze the influence of parameters in our model with respect to base-level distribution and number of factors.
• Abstract（参考訳）: 階層的な情報を尊重しながら正確な確率予測を得ることは、エネルギー管理、サプライチェーン計画、資源配分など多くのアプリケーションにおいて重要な運用上の課題である。 特に多変量予測の基本的な課題は、予測が階層構造に関して一貫性を持つ必要があることである。 本稿では,因子モデル構造を利用して構築によるコヒーレントな予測を生成する新しいモデルを提案する。 これは単純な(交換可能性の)観測の結果である: 階層内の {textit{}base-level series の置換は、それらの集合を変えない。 我々のモデルは、畳み込みニューラルネットワークを用いて、因子、その負荷、ベースレベルの分布のパラメータを生成し、モデルのパラメータに関して区別できるサンプルを生成し、従って、連続的ランク付け確率スコアや量子的損失を含む任意のサンプルベースの損失関数に対して最適化することができる。 因子と基底レベルの分布に対して任意の連続分布を選択することができる。 提案手法は,コヒーレントアグリゲーションを強制しながら,エンドツーエンドに最適化できる2つの手法と比較した。 3つの階層的予測データセットに対して11.8-41.4\%$の間です。 また,モデルにおけるパラメータの影響を,ベースレベルの分布と因子数に関して分析する。

関連論文リスト

• DeepHGNN: Study of Graph Neural Network based Forecasting Methods for Hierarchically Related Multivariate Time Series [5.029860184826624]
  本稿では,複雑な階層構造における予測を目的とした新しい階層型GNN(DeepHGNN)フレームワークを提案する。 DeepHGNNは、様々な階層レベルの予測精度とコヒーレンスを保証し、それらをまたいだ信号を共有する。 複数の最先端モデルに対する包括的評価セットにより,DeepHGNNの優れた性能が確認された。
  論文  参考訳（メタデータ） (2024-05-29T02:06:17Z)
• 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)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Quantifying uncertainty for deep learning based forecasting and flow-reconstruction using neural architecture search ensembles [0.8258451067861933]
  本稿では,ディープニューラルネットワーク(DNN)の自動検出手法を提案するとともに,アンサンブルに基づく不確実性定量化にも有効であることを示す。 提案手法は,タスクの高パフォーマンスニューラルネットワークアンサンブルを検出するだけでなく,不確実性をシームレスに定量化する。 本研究では, 歴史的データからの予測と, 海面温度のスパースセンサからのフロー再構成という2つの課題に対して, この枠組みの有効性を実証する。
  論文  参考訳（メタデータ） (2023-02-20T03:57:06Z)
• 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)
• Distributional Gradient Boosting Machines [77.34726150561087]
  私たちのフレームワークはXGBoostとLightGBMをベースにしています。 我々は,このフレームワークが最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2022-04-02T06:32:19Z)
• A Bayesian Deep Learning Approach to Near-Term Climate Prediction [12.870804083819603]
  気候予測に対する補完的な機械学習に基づくアプローチを追求する。 特に,Densenetアーキテクチャのフィードフォワード畳み込みネットワークは,予測能力において,畳み込みLSTMよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-02-23T00:28:36Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• A machine learning approach for forecasting hierarchical time series [4.157415305926584]
  階層時系列を予測するための機械学習手法を提案する。 予測整合は予測を調整し、階層をまたいで一貫性を持たせるプロセスである。 我々は、階層構造をキャプチャする情報を抽出するディープニューラルネットワークの能力を利用する。
  論文  参考訳（メタデータ） (2020-05-31T22:26:16Z)

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。