論文の概要: Generalized Mixture Model for Extreme Events Forecasting in Time Series Data

• arxiv url: http://arxiv.org/abs/2310.07435v1
• Date: Wed, 11 Oct 2023 12:36:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 22:52:59.586973
• Title: Generalized Mixture Model for Extreme Events Forecasting in Time Series Data
• Title（参考訳）: 時系列データにおける極限事象予測のための一般化混合モデル
• Authors: Jincheng Wang, Yue Gao
• Abstract要約: 時系列予測(TSF)は、天気予報、交通制御、株価予測など幅広い分野で広く研究されているトピックである。 時系列における極端な値は、しばしば人間と自然のシステムに大きな影響を及ぼすが、それらの稀な発生のために予測することは困難である。 本稿では,極端事象に着目した新たなフレームワークを提案する。具体的には,時系列予測のためのDeep Extreme Mixture Model with Autoencoder (DEMMA)を提案する。
• 参考スコア（独自算出の注目度）: 10.542258423966492
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time Series Forecasting (TSF) is a widely researched topic with broad applications in weather forecasting, traffic control, and stock price prediction. Extreme values in time series often significantly impact human and natural systems, but predicting them is challenging due to their rare occurrence. Statistical methods based on Extreme Value Theory (EVT) provide a systematic approach to modeling the distribution of extremes, particularly the Generalized Pareto (GP) distribution for modeling the distribution of exceedances beyond a threshold. To overcome the subpar performance of deep learning in dealing with heavy-tailed data, we propose a novel framework to enhance the focus on extreme events. Specifically, we propose a Deep Extreme Mixture Model with Autoencoder (DEMMA) for time series prediction. The model comprises two main modules: 1) a generalized mixture distribution based on the Hurdle model and a reparameterized GP distribution form independent of the extreme threshold, 2) an Autoencoder-based LSTM feature extractor and a quantile prediction module with a temporal attention mechanism. We demonstrate the effectiveness of our approach on multiple real-world rainfall datasets.
• Abstract（参考訳）: 時系列予測(TSF)は、天気予報、交通制御、株価予測など幅広い分野で広く研究されているトピックである。 時系列の極端な値は、しばしば人間と自然のシステムに大きな影響を与えるが、それらの予測は、そのまれな発生のために困難である。 極値理論(EVT)に基づく統計的手法は、極値の分布をモデル化するための体系的なアプローチ、特にしきい値を超えた超値の分布をモデル化するための一般化されたパレート分布を提供する。 重み付きデータを扱う際のディープラーニングのサブパー性能を克服するために,エクストリームイベントに焦点をあてる新しい枠組みを提案する。 具体的には,時系列予測のためのDeep Extreme Mixture Model with Autoencoder (DEMMA)を提案する。 モデルは2つの主要なモジュールから構成される。 1)Hurdleモデルと再パラメータ化GP分布に基づく一般化混合分布は、極しきい値に依存しない。 2)オートエンコーダを用いたLSTM特徴抽出器と時間的注意機構を備えた量子予測モジュール。 複数の実世界の降雨データセットにアプローチの有効性を示す。

関連論文リスト

• 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)
• Learning from Polar Representation: An Extreme-Adaptive Model for Long-Term Time Series Forecasting [10.892801642895904]
  本稿では,距離重み付き自己正規化ニューラルネットワーク(DAN)を提案する。これは極性表現学習によって強化されたストラムフローの長距離予測のための新しい極性適応モデルである。 実生活における4つの水文流れデータセットにおいて、DANは、最先端の水文時系列予測法と長期時系列予測のための一般的な方法の両方を著しく上回っていることを実証した。
  論文  参考訳（メタデータ） (2023-12-14T09:16:01Z)
• Perceiver-based CDF Modeling for Time Series Forecasting [25.26713741799865]
  本稿では,時系列データの累積分布関数(CDF)をモデル化するための新しいアーキテクチャであるPerceiver-CDFを提案する。 提案手法は,マルチモーダル時系列予測に適したコプラに基づくアテンション機構と,知覚アーキテクチャを組み合わせたものである。 単調かつマルチモーダルなベンチマークの実験は、最先端の手法よりも20%改善されていることを一貫して示している。
  論文  参考訳（メタデータ） (2023-10-03T01:13:17Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)
• 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)
• Deep Distributional Time Series Models and the Probabilistic Forecasting of Intraday Electricity Prices [0.0]
  本稿では,深部時系列確率モデルを構築するための2つのアプローチを提案する。 1つ目は、ESNの出力層が、追加の正規化の前に乱れと縮小がある点である。 第二のアプローチは、特徴空間上の深いコプラ過程であるガウス乱れを伴うESNの暗黙のコプラを用いる。
  論文  参考訳（メタデータ） (2020-10-05T08:02:29Z)
• Mixture Density Conditional Generative Adversarial Network Models (MD-CGAN) [1.0312968200748118]
  時系列予測に着目した混合密度生成逆数モデル(MD-CGAN)を提案する。 出力分布としてガウス混合モデルを用いることで、MD-CGANは非ガウス的な後続予測を提供する。
  論文  参考訳（メタデータ） (2020-04-08T03:55:30Z)
• Multivariate Probabilistic Time Series Forecasting via Conditioned Normalizing Flows [8.859284959951204]
  時系列予測は科学的・工学的な問題の基本である。 深層学習法はこの問題に適している。 多くの実世界のデータセットにおける標準メトリクスの最先端よりも改善されていることを示す。
  論文  参考訳（メタデータ） (2020-02-14T16:16:51Z)

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。