論文の概要: AutoGluon-TimeSeries: AutoML for Probabilistic Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2308.05566v1
- Date: Thu, 10 Aug 2023 13:28:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-11 12:30:29.007598
- Title: AutoGluon-TimeSeries: AutoML for Probabilistic Time Series Forecasting
- Title(参考訳): AutoGluon-TimeSeries:確率的時系列予測のためのAutoML
- Authors: Oleksandr Shchur, Caner Turkmen, Nick Erickson, Huibin Shen, Alexander
Shirkov, Tony Hu, Yuyang Wang
- Abstract要約: AutoGluon-TimeSeriesは、確率的時系列予測のためのオープンソースのAutoMLライブラリである。
3行のPythonコードで正確なポイントと量子予測を生成する。
- 参考スコア(独自算出の注目度): 80.14147131520556
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce AutoGluon-TimeSeries - an open-source AutoML library for
probabilistic time series forecasting. Focused on ease of use and robustness,
AutoGluon-TimeSeries enables users to generate accurate point and quantile
forecasts with just 3 lines of Python code. Built on the design philosophy of
AutoGluon, AutoGluon-TimeSeries leverages ensembles of diverse forecasting
models to deliver high accuracy within a short training time.
AutoGluon-TimeSeries combines both conventional statistical models,
machine-learning based forecasting approaches, and ensembling techniques. In
our evaluation on 29 benchmark datasets, AutoGluon-TimeSeries demonstrates
strong empirical performance, outperforming a range of forecasting methods in
terms of both point and quantile forecast accuracy, and often even improving
upon the best-in-hindsight combination of prior methods.
- Abstract(参考訳): 確率的時系列予測のためのオープンソースのAutoMLライブラリであるAutoGluon-TimeSeriesを紹介する。
使いやすさと堅牢性を重視したAutoGluon-TimeSeriesでは,Pythonコードのたった3行で,正確なポイントと定量予測を生成することができる。
AutoGluonの設計哲学に基づいて構築されたAutoGluon-TimeSeriesは、さまざまな予測モデルのアンサンブルを活用して、短時間のトレーニング時間内に高い精度を提供する。
AutoGluon-TimeSeriesは、従来の統計モデル、機械学習ベースの予測アプローチ、およびアンサンブルテクニックを組み合わせたものだ。
29のベンチマークデータセットに対する評価では、AutoGluon-TimeSeriesは強力な経験的性能を示し、点数と定量値の両方の予測精度において、様々な予測手法を上回り、多くの場合、先行手法の最も目に見える組み合わせを改善する。
関連論文リスト
- Chronos: Learning the Language of Time Series [79.45082787390962]
Chronosは事前訓練された確率的時系列モデルのためのフレームワークである。
クロノスモデルでは,様々な領域の時系列データを利用して,未知の予測タスクにおけるゼロショット精度を向上させることができることを示す。
論文 参考訳(メタデータ) (2024-03-12T16:53:54Z) - Timer: Transformers for Time Series Analysis at Scale [87.9808714449511]
本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。
事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。
多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
論文 参考訳(メタデータ) (2024-02-04T06:55:55Z) - auto-sktime: Automated Time Series Forecasting [21.673895330058652]
本稿では,自動時系列予測のための新しいフレームワークであるauto-sktimeを紹介する。
提案するフレームワークは、自動機械学習(AutoML)技術を使用して、予測パイプライン全体の生成を自動化する。
64種類の実世界の時系列データセットに対する実験結果は、フレームワークの有効性と効率を実証している。
論文 参考訳(メタデータ) (2023-12-13T21:34:30Z) - Large Language Models Are Zero-Shot Time Series Forecasters [53.24444237828548]
時系列を数値桁の列として符号化することにより、テキストの次トーケン予測として時系列予測をフレーム化することができる。
GPT-3 や LLaMA-2 のような大規模言語モデル (LLM) は、ダウンストリームタスクでトレーニングされた目的構築された時系列モデルの性能に匹敵する、あるいはそれ以上のレベルにおいて、驚くほどゼロショット・エクスポレート・時系列を生成できる。
論文 参考訳(メタデータ) (2023-10-11T19:01:28Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳(メタデータ) (2021-10-26T20:41:19Z) - AutoML Meets Time Series Regression Design and Analysis of the
AutoSeries Challenge [21.49840594645196]
WSDMカップ2020における最初の自動時系列回帰チャレンジ(AutoSeries)。
設計、分析、ポストホック実験について述べる。
論文 参考訳(メタデータ) (2021-07-28T06:30:46Z) - ScoreGrad: Multivariate Probabilistic Time Series Forecasting with
Continuous Energy-based Generative Models [10.337742174633052]
本研究では,連続エネルギーモデルに基づく確率的時系列予測フレームワークであるScoreGradを提案する。
ScoreGradは時系列特徴抽出モジュールと条件微分方程式に基づくスコアマッチングモジュールで構成される。
6つの実世界のデータセットで最先端の結果が得られます。
論文 参考訳(メタデータ) (2021-06-18T13:22:12Z) - Forecasting with sktime: Designing sktime's New Forecasting API and
Applying It to Replicate and Extend the M4 Study [0.0]
我々はPythonで予測を行うための新しいオープンソースフレームワークを提案する。
私たちのフレームワークは、Scikit-learn互換インターフェースを備えた時系列のより一般的な機械学習ツールボックスであるsktimeの一部を形成しています。
論文 参考訳(メタデータ) (2020-05-16T19:15:09Z) - AutoGluon-Tabular: Robust and Accurate AutoML for Structured Data [120.2298620652828]
オープンソースのAutoMLフレームワークであるAutoGluon-Tabularを紹介します。
KaggleとOpenML AutoML Benchmarkの50の分類および回帰タスクからなるスイートのテストによると、AutoGluonはより速く、より堅牢で、はるかに正確である。
論文 参考訳(メタデータ) (2020-03-13T23:10:39Z) - For2For: Learning to forecast from forecasts [1.6752182911522522]
本稿では,標準予測手法と機械学習モデルを組み合わせた時系列予測フレームワークを提案する。
M4コンペティションデータセットでテストされたこのアプローチは、四半期シリーズの全ての応募よりも優れており、月次シリーズの受賞アルゴリズム以外のすべてのものよりも正確である。
論文 参考訳(メタデータ) (2020-01-14T03:06:53Z)
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。