Fugu-MT 論文翻訳(概要): Forecasting large collections of time series: feature-based methods

論文の概要: Forecasting large collections of time series: feature-based methods

arxiv url: http://arxiv.org/abs/2309.13807v1
Date: Mon, 25 Sep 2023 01:23:02 GMT
ステータス: 処理完了
システム内更新日: 2023-09-26 17:21:09.440125
Title: Forecasting large collections of time series: feature-based methods
Title（参考訳）: 時系列コレクションの予測:特徴に基づく方法
Authors: Li Li, Feng Li, Yanfei Kang
Abstract要約: 時系列の膨大なコレクションを予測する場合,時系列特徴量を用いて2行のアプローチが開発されている。この章では、オープンソースのソフトウェア実装を参照しながら、最先端の機能ベースのメソッドについて論じます。
参考スコア（独自算出の注目度）: 7.353918137830393
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In economics and many other forecasting domains, the real world problems are too complex for a single model that assumes a specific data generation process. The forecasting performance of different methods changes depending on the nature of the time series. When forecasting large collections of time series, two lines of approaches have been developed using time series features, namely feature-based model selection and feature-based model combination. This chapter discusses the state-of-the-art feature-based methods, with reference to open-source software implementations.
Abstract（参考訳）: 経済学やその他の多くの予測領域において、現実世界の問題は特定のデータ生成プロセスを想定した単一のモデルでは複雑すぎる。異なる手法の予測性能は、時系列の性質によって変化する。時系列の膨大なコレクションを予測する際には,特徴に基づくモデル選択と特徴に基づくモデル組み合わせという時系列特徴を用いた2つのアプローチが開発されている。本章では,オープンソースソフトウェア実装を参考に,最先端の機能ベース手法について論じる。

関連論文リスト

Generalized Prompt Tuning: Adapting Frozen Univariate Time Series Foundation Models for Multivariate Healthcare Time Series [3.9599054392856483]
時系列基礎モデルは、大規模なデータセットで事前訓練され、様々なタスクで最先端のパフォーマンスを達成することができる。我々は、既存の単変量時系列基礎モデルに適応できる、素早いチューニングインスパイアされた微調整技術Gen-P-Tuningを提案する。 2つのMIMIC分類課題とインフルエンザ様疾患予測における各種ベースラインに対する微調整アプローチの有効性を実証した。
論文参考訳（メタデータ） (2024-11-19T19:20:58Z)
Towards Long-Context Time Series Foundation Models [17.224575072056627]
時系列基礎モデルは、ゼロショットの設定であっても、幅広い領域にわたる様々なタスクにおいて印象的なパフォーマンスを示している。本研究は,言語領域と時系列領域の両方から,様々な文脈展開手法を体系的に比較することによって,ギャップを埋めるものである。
論文参考訳（メタデータ） (2024-09-20T14:19:59Z)
Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
時系列データは、現実世界のシナリオにおいて非常に重要である。近年、時系列コミュニティで顕著なブレークスルーが見られた。多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
論文参考訳（メタデータ） (2024-07-18T08:31:55Z)
Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-02-04T20:00:45Z)
Few-Shot Forecasting of Time-Series with Heterogeneous Channels [4.635820333232681]
本研究では,時間的埋め込みを組み込んだ置換不変な深部集合ブロックからなるモデルを開発する。実験を通して、我々のモデルはより単純なシナリオから実行されたベースラインよりも優れた一般化を提供することを示す。
論文参考訳（メタデータ） (2022-04-07T14:02:15Z)
Optimal Latent Space Forecasting for Large Collections of Short Time Series Using Temporal Matrix Factorization [0.0]
複数の手法を評価し、それらの方法の1つを選択することや、最良の予測を生成するためのアンサンブルを選択するのが一般的である。本稿では,低ランク時間行列係数化と潜在時系列上での最適モデル選択を組み合わせることで,短時間の高次元時系列データを予測するためのフレームワークを提案する。
論文参考訳（メタデータ） (2021-12-15T11:39:21Z)
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)
Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
時系列データは、気候、経済、医療などいくつかの領域で広く使われている。最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
論文参考訳（メタデータ） (2021-10-11T13:46:28Z)
Merlion: A Machine Learning Library for Time Series [73.46386700728577]
Merlionは時系列のためのオープンソースの機械学習ライブラリである。モデルの統一インターフェースと、異常検出と予測のためのデータセットを備えている。 Merlionはまた、本番環境でのモデルのライブデプロイメントと再トレーニングをシミュレートするユニークな評価フレームワークも提供する。
論文参考訳（メタデータ） (2021-09-20T02:03:43Z)
Instance-wise Graph-based Framework for Multivariate Time Series Forecasting [69.38716332931986]
我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
論文参考訳（メタデータ） (2021-09-14T07:38:35Z)
Deep Transformer Models for Time Series Forecasting: The Influenza Prevalence Case [2.997238772148965]
時系列データは、多くの科学と工学の分野で広く使われている。本稿では,トランスフォーマーに基づく機械学習モデルを用いた時系列予測の新しい手法を提案する。提案手法により得られた予測結果は,最先端技術と良好に比較できることを示す。
論文参考訳（メタデータ） (2020-01-23T00:22:22Z)

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。