論文の概要: Telescope: An Automated Hybrid Forecasting Approach on a Level-Playing Field

• arxiv url: http://arxiv.org/abs/2309.15871v1
• Date: Tue, 26 Sep 2023 22:42:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-29 19:28:35.742421
• Title: Telescope: An Automated Hybrid Forecasting Approach on a Level-Playing Field
• Title（参考訳）: 望遠鏡:レベル再生場におけるハイブリッド予測の自動化手法
• Authors: Andr\'e Bauer and Mark Leznik and Michael Stenger and Robert Leppich and Nikolas Herbst, Samuel Kounev and Ian Foster
• Abstract要約: 本稿では,新しい機械学習による予測手法である望遠鏡を紹介する。 特定の時系列から関連情報を自動で取得し、それらを分割し、それぞれを別々に扱う。 1つの時系列で動作し、追加設定なしで数秒以内に予測を提供する。
• 参考スコア（独自算出の注目度）: 2.287583712482583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many areas of decision-making, forecasting is an essential pillar. Consequently, many different forecasting methods have been proposed. From our experience, recently presented forecasting methods are computationally intensive, poorly automated, tailored to a particular data set, or they lack a predictable time-to-result. To this end, we introduce Telescope, a novel machine learning-based forecasting approach that automatically retrieves relevant information from a given time series and splits it into parts, handling each of them separately. In contrast to deep learning methods, our approach doesn't require parameterization or the need to train and fit a multitude of parameters. It operates with just one time series and provides forecasts within seconds without any additional setup. Our experiments show that Telescope outperforms recent methods by providing accurate and reliable forecasts while making no assumptions about the analyzed time series.
• Abstract（参考訳）: 意思決定の多くの領域において、予測は必須の柱である。 その結果,様々な予測手法が提案されている。 我々の経験から、最近発表された予測手法は計算集約的で、自動化が不十分で、特定のデータセットに合わせて調整されている。 そこで本研究では,各時系列から関連情報を自動抽出して分割し,それぞれを個別に処理する,新しい機械学習ベースの予測手法である望遠鏡を紹介する。 ディープラーニングの手法とは対照的に,私たちのアプローチではパラメータ化や,さまざまなパラメータのトレーニングや適合は必要ありません。 1つの時系列で動作し、追加設定なしで数秒以内に予測を提供する。 実験の結果, 望遠鏡は, 時系列解析を前提にせず, 高精度で信頼性の高い予測を行うことで, 最近の手法を上回っていることがわかった。

関連論文リスト

• Can time series forecasting be automated? A benchmark and analysis [4.19475889117731]
  時系列予測は、金融、医療、気象など様々な分野において重要な役割を担っている。 与えられたデータセットに対して最適な予測方法を選択するタスクは、データパターンや特徴の多様性による複雑なタスクである。 本研究では,幅広いデータセットを対象とした時系列予測手法の評価とランキングのための総合ベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-07-23T12:54:06Z)
• ForecastPFN: Synthetically-Trained Zero-Shot Forecasting [16.12148632541671]
  ForecastPFNは、新しい合成データ分布に基づいて純粋に訓練された最初のゼロショット予測モデルである。 ForecastPFNによるゼロショット予測は、最先端の予測手法よりも正確で高速であることを示す。
  論文  参考訳（メタデータ） (2023-11-03T14:17:11Z)
• Computing the ensemble spread from deterministic weather predictions using conditional generative adversarial networks [0.0]
  本稿では,深層学習アルゴリズムを用いて,アンサンブル予測システムの統計的特性を学習することを提案する。 訓練が終わると、将来のアンサンブル予測を得るためには、コストのかかるアンサンブル予測システムがもはや不要になる。
  論文  参考訳（メタデータ） (2022-05-18T19:10:38Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Meta-Forecasting by combining Global DeepRepresentations with Local Adaptation [12.747008878068314]
  メタグローバルローカル自動回帰(Meta-GLAR)と呼ばれる新しい予測手法を導入する。 それは、リカレントニューラルネットワーク(RNN)によって生成された表現からワンステップアヘッド予測へのマッピングをクローズドフォームで学習することで、各時系列に適応する。 本手法は,先行研究で報告されたサンプル外予測精度において,最先端の手法と競合する。
  論文  参考訳（メタデータ） (2021-11-05T11:45:02Z)
• 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)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
  本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。 最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。 さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-24T23:13:11Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)
• 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。