論文の概要: Probabilistic Forecasting with Coherent Aggregation
- arxiv url: http://arxiv.org/abs/2307.09797v2
- Date: Mon, 5 Aug 2024 23:23:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-07 19:51:34.506590
- 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: Kin G. Olivares, Geoffrey Négiar, Ruijun Ma, O. Nangba Meetei, Mengfei Cao, Michael W. Mahoney,
- Abstract要約: MQForecasterニューラルネットワークアーキテクチャを構築によりコヒーレンスを実現するための新しい深いガウス因子予測モデルで拡張する。
DeepCoFactorはモデルパラメータに関して区別できるサンプルを生成する。
CRPS予測精度は4.16から54.40%向上し、一般に公開されている3つの階層的予測データセットで測定される。
- 参考スコア(独自算出の注目度): 42.215158938066054
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Obtaining accurate probabilistic forecasts is an important operational challenge in many applications, perhaps most obviously in energy management, climate forecasting, supply chain planning, and resource allocation. In many of these applications, there is a natural hierarchical structure over the forecasted quantities; and forecasting systems that adhere to this hierarchical structure are said to be coherent. Furthermore, operational planning benefits from accuracy at all levels of the aggregation hierarchy. Building accurate and coherent forecasting systems, however, is challenging: classic multivariate time series tools and neural network methods are still being adapted for this purpose. In this paper, we augment an MQForecaster neural network architecture with a novel deep Gaussian factor forecasting model that achieves coherence by construction, yielding a method we call the Deep Coherent Factor Model Neural Network (DeepCoFactor) model. DeepCoFactor generates samples that can be differentiated with respect to model parameters, allowing optimization on various sample-based learning objectives that align with the forecasting system's goals, including quantile loss and the scaled Continuous Ranked Probability Score (CRPS). In a comparison to state-of-the-art coherent forecasting methods, DeepCoFactor achieves significant improvements in scaled CRPS forecast accuracy, with gains between 4.16 and 54.40%, as measured on three publicly available hierarchical forecasting datasets.
- Abstract(参考訳): 正確な確率予測を得ることは、エネルギー管理、気候予測、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。
これらの応用の多くは、予測された量に対して自然な階層構造が存在し、この階層構造に従属する予測系はコヒーレントであると言われている。
さらに、オペレーショナルプランニングは、アグリゲーション階層のあらゆるレベルにおける精度から恩恵を受ける。
しかし、正確で一貫性のある予測システムを構築することは難しい。古典的な多変量時系列ツールとニューラルネットワークの手法は、この目的のためにいまだに適応している。
本稿では, MQForecaster ニューラルネットワークアーキテクチャを, 構築によるコヒーレンスを実現する新しい深いガウス因子予測モデルで拡張し, ディープコヒーレント因子モデルニューラルネットワーク(DeepCoFactor)モデルと呼ぶ手法を提案する。
DeepCoFactorは、モデルパラメータに関して区別できるサンプルを生成し、予測システムの目標に沿った様々なサンプルベースの学習目標を最適化する。
最先端のコヒーレント予測手法と比較して、DeepCoFactorは、利用可能な3つの階層的予測データセットで測定された4.16から54.40%の精度で、スケールしたCRPS予測精度を大幅に改善した。
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。