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
- 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) - 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) - A Top-Down Approach to Hierarchically Coherent Probabilistic Forecasting [21.023456590248827]
注意に基づく新しいRNNモデルを用いて、各親予測が任意の時点において、その子ノード間で分割される割合の分布を学習する。
結果の予測はトップダウンで計算され、自然にコヒーレントである。
論文 参考訳(メタデータ) (2022-04-21T21:32:28Z) - 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) - MECATS: Mixture-of-Experts for Quantile Forecasts of Aggregated Time
Series [11.826510794042548]
我々はtexttMECATS という異種の専門家フレームワークを混合して導入する。
集約階層を通じて関連付けられた時系列の集合の値を同時に予測する。
異なる種類の予測モデルを個別の専門家として使用することで、各モデルの形式を対応する時系列の性質に合わせて調整することができる。
論文 参考訳(メタデータ) (2021-12-22T05:05:30Z) - Probabilistic Hierarchical Forecasting with Deep Poisson Mixtures [2.1670528702668648]
本稿では,信頼性の高い階層情報が存在する場合に,時系列の正確で一貫性のある確率予測を行う新しい手法を提案する。
私たちはそれをDeep Poisson Mixture Network(DPMN)と呼ぶ。
ニューラルネットワークと階層時系列構造の結合分布の統計モデルの組み合わせに依存している。
論文 参考訳(メタデータ) (2021-10-25T18:02:03Z) - Explaining a Series of Models by Propagating Local Feature Attributions [9.66840768820136]
複数の機械学習モデルを含むパイプラインは、多くの領域でパフォーマンスが向上するが、理解が難しい。
Shapley値への接続に基づいて、モデルの複雑なパイプラインを通じてローカル機能属性を伝播させるフレームワークを紹介します。
本フレームワークにより,アルツハイマー病および乳癌の組織学的診断における遺伝子発現特徴群に基づく高次結論の導出が可能となった。
論文 参考訳(メタデータ) (2021-04-30T22:20:58Z) - On the Discrepancy between Density Estimation and Sequence Generation [92.70116082182076]
log-likelihoodは、同じファミリー内のモデルを考えるとき、BLEUと非常に相関している。
異なる家族間でのモデルランキングの相関はみられない。
論文 参考訳(メタデータ) (2020-02-17T20:13:35Z)
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。