論文の概要: ProbTS: A Unified Toolkit to Probe Deep Time-series Forecasting
- arxiv url: http://arxiv.org/abs/2310.07446v1
- Date: Wed, 11 Oct 2023 12:48:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 23:04:21.682082
- Title: ProbTS: A Unified Toolkit to Probe Deep Time-series Forecasting
- Title(参考訳): ProbTS: 時系列予測を調査するための統一ツールキット
- Authors: Jiawen Zhang, Xumeng Wen, Shun Zheng, Jia Li, Jiang Bian
- Abstract要約: 時系列予測は、さまざまな領域にまたがる無数のアプリケーションにおいて、リンチピンとして機能する。
1つは時系列に適した特定のニューラルネットワークの構築に焦点を当て、もう1つは確率予測のための高度な深層生成モデルを活用している。
ProbTSは、これらの2つの異なる分岐を相乗化し比較するために開発された先駆的なツールキットである。
- 参考スコア(独自算出の注目度): 25.84249170034528
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time-series forecasting serves as a linchpin in a myriad of applications,
spanning various domains. With the growth of deep learning, this arena has
bifurcated into two salient branches: one focuses on crafting specific neural
architectures tailored for time series, and the other harnesses advanced deep
generative models for probabilistic forecasting. While both branches have made
significant progress, their differences across data scenarios, methodological
focuses, and decoding schemes pose profound, yet unexplored, research
questions. To bridge this knowledge chasm, we introduce ProbTS, a pioneering
toolkit developed to synergize and compare these two distinct branches. Endowed
with a unified data module, a modularized model module, and a comprehensive
evaluator module, ProbTS allows us to revisit and benchmark leading methods
from both branches. The scrutiny with ProbTS highlights their distinct
characteristics, relative strengths and weaknesses, and areas that need further
exploration. Our analyses point to new avenues for research, aiming for more
effective time-series forecasting.
- Abstract(参考訳): 時系列予測は、さまざまなドメインにまたがる無数のアプリケーションにおいて、linchpinとして機能する。
ディープラーニングの成長に伴い、このアリーナは2つに分岐し、ひとつは時系列に適した特定のニューラルネットワークアーキテクチャの構築に焦点を当て、もうひとつは確率予測のための高度な深層生成モデルを活用する。
両方のブランチは大きな進歩を遂げているが、データシナリオ、方法論的焦点、デコードスキームの違いは、深く、調査されていない研究上の疑問を引き起こす。
この知識を橋渡しするために,これら2つの分岐を相乗化・比較する先駆的ツールキットProbTSを紹介する。
統一データモジュール、モジュール化されたモデルモジュール、包括的なevaluatorモジュールが提供され、probtsは両方のブランチからリードメソッドを再検討し、ベンチマークできます。
probtsによる精査は、それぞれの特徴、相対的な強みと弱み、さらなる探検を必要とする領域を強調している。
我々の分析は、より効果的な時系列予測を目指して、研究のための新たな道を示す。
関連論文リスト
- Loss Shaping Constraints for Long-Term Time Series Forecasting [86.6877920044998]
本稿では,長期時系列予測のための制約付き学習手法を提案する。
提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-02-14T18:20:44Z) - 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) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - Regions of Reliability in the Evaluation of Multivariate Probabilistic
Forecasts [73.33395097728128]
時系列予測評価のための適切なスコアリングルールに関する最初の体系的な有限サンプル研究を提供する。
本研究では, 地中構造と予測分布のいくつかの重要な相違点をテストするために, 総合的な総合的合成ベンチマークを用いて解析を行った。
論文 参考訳(メタデータ) (2023-04-19T17:38:42Z) - DANLIP: Deep Autoregressive Networks for Locally Interpretable
Probabilistic Forecasting [0.0]
本稿では,本質的に解釈可能な,深層学習に基づく確率的時系列予測アーキテクチャを提案する。
我々のモデルは解釈可能であるだけでなく、最先端の確率的時系列予測手法に匹敵する性能を提供する。
論文 参考訳(メタデータ) (2023-01-05T23:40:23Z) - Monitoring Time Series With Missing Values: a Deep Probabilistic
Approach [1.90365714903665]
本研究では,高次元時系列における予測の最先端手法と不確実性の完全な確率的ハンドリングを組み合わせた時系列モニタリングのための新しいアーキテクチャを提案する。
本稿では、時系列予測と新規性検出のアーキテクチャの利点を、特に部分的に欠落したデータで示し、実世界のデータセットにおける最先端のアプローチとアーキテクチャを実証的に評価し比較する。
論文 参考訳(メタデータ) (2022-03-09T17:53:47Z) - Long Range Probabilistic Forecasting in Time-Series using High Order
Statistics [19.12411040726229]
本稿では,ベースレベルとアグリゲーション統計量で一致した予測を生成する新しい確率予測手法を提案する。
提案手法は,3つの領域にまたがる実際のデータセットにおいて,ベースレベルと非表示アグリゲーションの両方で予測性能を向上することを示す。
論文 参考訳(メタデータ) (2021-11-05T11:10:35Z) - RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting [30.277213545837924]
古典的な統計モデルの多くは、時系列データに存在する複雑さと高い非線形性を扱うのに不足することが多い。
本研究では,時系列データを非線形状態空間モデルからのランダムな実現とみなす。
粒子流は, 複雑で高次元的な設定において極めて有効であることを示すため, 状態の後方分布を近似するツールとして用いられる。
論文 参考訳(メタデータ) (2021-06-10T21:49:23Z) - 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) - Challenges and approaches to time-series forecasting in data center
telemetry: A Survey [0.0]
この研究は、データセンターで収集されたテレメトリデータ予測のための様々な予測アプローチのレビューに重点を置いている。
我々は、よく知られた時系列予測技術の性能を要約し、評価しようと試みた。
論文 参考訳(メタデータ) (2021-01-11T22:36:21Z) - From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。
我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。
また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
論文 参考訳(メタデータ) (2020-12-02T21:01:29Z)
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。