論文の概要: A Fuzzy Time Series-Based Model Using Particle Swarm Optimization and
Weighted Rules
- arxiv url: http://arxiv.org/abs/2310.18825v1
- Date: Sat, 28 Oct 2023 21:24:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-31 16:19:40.250599
- Title: A Fuzzy Time Series-Based Model Using Particle Swarm Optimization and
Weighted Rules
- Title(参考訳): 粒子群最適化と重み付き規則を用いたファジィ時系列モデル
- Authors: Daniel Ortiz-Arroyo
- Abstract要約: ファジィ時系列で見られる最も正確なモデルの中で、高次のモデルが最も正確である。
本稿では,高次ファジィ時系列モデルの適用に関する3つの潜在的な限界に対処する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: During the last decades, a myriad of fuzzy time series models have been
proposed in scientific literature. Among the most accurate models found in
fuzzy time series, the high-order ones are the most accurate. The research
described in this paper tackles three potential limitations associated with the
application of high-order fuzzy time series models. To begin with, the adequacy
of forecast rules lacks consistency. Secondly, as the model's order increases,
data utilization diminishes. Thirdly, the uniformity of forecast rules proves
to be highly contingent on the chosen interval partitions. To address these
likely drawbacks, we introduce a novel model based on fuzzy time series that
amalgamates the principles of particle swarm optimization (PSO) and weighted
summation. Our results show that our approach models accurately the time series
in comparison with previous methods.
- Abstract(参考訳): 過去数十年間、科学文献に無数のファジィ時系列モデルが提案されてきた。
ファジィ時系列に見られる最も正確なモデルの中で、高次モデルが最も正確である。
本稿では,高次ファジィ時系列モデルの適用に関する3つの潜在的な限界に対処する。
まず第一に、予測規則の妥当性は一貫性に欠ける。
第二に、モデルの順序が増加するにつれて、データの利用は減少する。
第三に、予測規則の均一性は、選択された間隔分割に非常に近いことが証明される。
これらの欠点に対処するために、ファジィ時系列に基づく新しいモデルを導入し、粒子群最適化(PSO)と重み付け和の原理に適合する。
提案手法は,従来の手法と比較して時系列を正確にモデル化する。
関連論文リスト
- Sundial: A Family of Highly Capable Time Series Foundation Models [64.6322079384575]
Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。
本モデルでは,事前分布を指定せずに事前学習を行い,複数の予測予測を生成できる。
TimeFlow Loss を通じてモード崩壊を緩和することにより、TimeBench 上で Sundial モデルのファミリーを事前訓練し、前例のないモデルキャパシティと一般化性能を示す。
論文 参考訳(メタデータ) (2025-02-02T14:52:50Z) - Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。
提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
論文 参考訳(メタデータ) (2024-12-06T18:22:59Z) - Predictive Modeling in the Reservoir Kernel Motif Space [0.9217021281095907]
本研究では,線形貯水池のカーネルビューに基づく時系列予測手法を提案する。
我々は、我々のアプローチがコア貯水池モデルとどのように関係しているかについての光を遮蔽するアプローチの幾何学的解釈を提供する。
実験では,提案モデルの予測性能と最近の最先端変圧器モデルとの比較を行った。
論文 参考訳(メタデータ) (2024-05-11T16:12:25Z) - PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from
the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。
7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文 参考訳(メタデータ) (2024-02-25T17:39:44Z) - Lag-Llama: Towards Foundation Models for Probabilistic Time Series
Forecasting [54.04430089029033]
本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。
Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。
このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-10-12T12:29:32Z) - Non-autoregressive Conditional Diffusion Models for Time Series
Prediction [3.9722979176564763]
TimeDiffは、高品質な時系列予測を実現する非自己回帰拡散モデルである。
我々はTimeDiffが既存の時系列拡散モデルより一貫して優れていることを示す。
論文 参考訳(メタデータ) (2023-06-08T08:53:59Z) - The Choice of Noninformative Priors for Thompson Sampling in
Multiparameter Bandit Models [56.31310344616837]
トンプソンサンプリング(TS)は、様々な報酬モデルにまたがる理論的な保証によって支持される卓越した経験的性能で知られている。
本研究では,理論的理解の欠如のある新しいモデルを扱う際に,非形式的事前選択がTSの性能に与える影響について考察する。
論文 参考訳(メタデータ) (2023-02-28T08:42:42Z) - 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) - Spliced Binned-Pareto Distribution for Robust Modeling of Heavy-tailed
Time Series [1.0312968200748118]
重み付き雑音を伴う時系列を頑健かつ正確にモデル化する新しい手法を提案する。
本手法は,分布の高次モーメントにおける時間依存性の捕捉を可能にする。
提案手法のロバスト性と精度をTwitter上の他の手法と比較し,カウント時系列に言及する。
論文 参考訳(メタデータ) (2021-06-21T09:48:03Z) - Analysis and modeling to forecast in time series: a systematic review [0.0]
本稿では,時系列解析とモデリングに特化した最先端の手法とモデルについて,最終予測をめざして検討する。
本総説は, 時系列分解, 定常試験, モデリング, 予測を網羅し, 全プロセスフローを包括的に把握することを目的としている。
論文 参考訳(メタデータ) (2021-03-31T23:48:46Z) - Time series forecasting with Gaussian Processes needs priors [1.5877673959068452]
本稿では,ハイパーパラメータの最適カーネルと信頼性の高い推定法を提案する。
GPモデルは最先端の時系列モデルよりも精度が高い。
論文 参考訳(メタデータ) (2020-09-17T06:46:51Z)
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。