論文の概要: auto-sktime: Automated Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2312.08528v2
- Date: Tue, 19 Dec 2023 17:07:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 21:36:39.765576
- Title: auto-sktime: Automated Time Series Forecasting
- Title(参考訳): auto-sktime: 時系列の自動予測
- Authors: Marc-Andr\'e Z\"oller and Marius Lindauer and Marco F. Huber
- Abstract要約: 本稿では,自動時系列予測のための新しいフレームワークであるauto-sktimeを紹介する。
提案するフレームワークは、自動機械学習(AutoML)技術を使用して、予測パイプライン全体の生成を自動化する。
64種類の実世界の時系列データセットに対する実験結果は、フレームワークの有効性と効率を実証している。
- 参考スコア(独自算出の注目度): 21.673895330058652
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In today's data-driven landscape, time series forecasting is pivotal in
decision-making across various sectors. Yet, the proliferation of more diverse
time series data, coupled with the expanding landscape of available forecasting
methods, poses significant challenges for forecasters. To meet the growing
demand for efficient forecasting, we introduce auto-sktime, a novel framework
for automated time series forecasting. The proposed framework uses the power of
automated machine learning (AutoML) techniques to automate the creation of the
entire forecasting pipeline. The framework employs Bayesian optimization, to
automatically construct pipelines from statistical, machine learning (ML) and
deep neural network (DNN) models. Furthermore, we propose three essential
improvements to adapt AutoML to time series data: First, pipeline templates to
account for the different supported forecasting models. Second, a novel
warm-starting technique to start the optimization from prior optimization runs.
Third, we adapt multi-fidelity optimizations to make them applicable to a
search space containing statistical, ML and DNN models. Experimental results on
64 diverse real-world time series datasets demonstrate the effectiveness and
efficiency of the framework, outperforming traditional methods while requiring
minimal human involvement.
- Abstract(参考訳): 今日のデータ駆動の状況では、時系列予測はさまざまな分野における意思決定において重要である。
しかし、より多様な時系列データの増加は、利用可能な予測手法の広がりと相まって、予測者にとって大きな課題となっている。
効率的な予測の需要の高まりに対応するため,自動時系列予測のための新しいフレームワークであるauto-sktimeを導入する。
提案するフレームワークは、自動機械学習(AutoML)技術を使用して、予測パイプライン全体の生成を自動化する。
このフレームワークはベイズ最適化を採用し、統計、機械学習(ML)、ディープニューラルネットワーク(DNN)モデルからパイプラインを自動的に構築する。
さらに我々は,AutoMLを時系列データに適用するための3つの重要な改良点を提案する。
第二に、以前の最適化実行から最適化を開始するための新しいウォームスタート技術である。
第3に,統計モデル,MLモデル,DNNモデルを含む探索空間に適用できるように,多要素最適化を適用する。
64種類の実世界の時系列データセットに対する実験結果は、フレームワークの有効性と効率を実証し、人間の関与を最小限に抑えながら従来の手法より優れている。
関連論文リスト
- Generative Pretrained Hierarchical Transformer for Time Series
Forecasting [4.012001172505646]
本稿ではGPHTと呼ばれる予測のための新しい生成事前学習型階層型トランスフォーマアーキテクチャを提案する。
一方、我々は、様々なデータシナリオから様々なデータセットから構成される、モデルを事前訓練するための混合データセットの構築を提唱する。
一方、GPHTはチャネルに依存しない仮定の下で自己回帰予測手法を採用し、出力系列における時間的依存関係を効果的にモデル化する。
論文 参考訳(メタデータ) (2024-02-26T11:54:54Z) - AutoGluon-TimeSeries: AutoML for Probabilistic Time Series Forecasting [80.14147131520556]
AutoGluon-TimeSeriesは、確率的時系列予測のためのオープンソースのAutoMLライブラリである。
3行のPythonコードで正確なポイントと量子予測を生成する。
論文 参考訳(メタデータ) (2023-08-10T13:28:59Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳(メタデータ) (2023-01-05T13:59:29Z) - Efficient Automated Deep Learning for Time Series Forecasting [42.47842694670572]
本稿では,時系列予測のために,ニューラルネットワークとデータ処理パイプライン全体のハイパーパラメータを協調的に最適化する効率的な手法を提案する。
一般的なNASサーチスペースとは対照的に,我々は様々な最先端アーキテクチャをカバーする新しいニューラルアーキテクチャサーチスペースを設計した。
異なる予測データセット上で効率の良い多重忠実度最適化を実現するために,様々な予算タイプを実証的に検討する。
論文 参考訳(メタデータ) (2022-05-11T14:03:25Z) - Review of automated time series forecasting pipelines [0.18472148461613158]
時系列予測は、エネルギーシステムや経済学など、さまざまな分野の様々なユースケースに基礎を置いている。
時系列予測の継続的な需要に対応するための有望なアプローチの1つは、この設計プロセスを自動化することである。
自動機械学習(Automated Machine Learning, ML)と自動統計予測手法の両方を単一の予測パイプラインで検討する。
論文 参考訳(メタデータ) (2022-02-03T17:26:27Z) - Autoformer: Decomposition Transformers with Auto-Correlation for
Long-Term Series Forecasting [68.86835407617778]
Autoformerは、Auto-Correlation機構を備えた、新しい分解アーキテクチャである。
長期的な予測では、Autoformerは6つのベンチマークで相対的に改善され、最先端の精度が得られる。
論文 参考訳(メタデータ) (2021-06-24T13:43:43Z) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳(メタデータ) (2021-06-14T11:42:46Z) - AutoAI-TS: AutoAI for Time Series Forecasting [14.078195334596494]
ゼロ構成(ゼロコンフ)システムを提供するAutoAI for Time Series Forecasting(AutoAI-TS)を紹介します。
AutoAI-TSは、ユーザのデータ準備、モデル作成、パラメータ最適化、トレーニング、モデル選択を自動的に実行する。
そして、提案されているt-daubメカニズムを使ってパイプラインを評価しランク付けし、最適なパイプラインを選択する。
論文 参考訳(メタデータ) (2021-02-24T15:30:54Z) - Automatic deep learning for trend prediction in time series data [0.0]
時系列データのトレンドを予測するためにディープニューラルネットワーク(DNN)アルゴリズムが検討されている。
多くの実世界のアプリケーションでは、時系列データは動的システムから取得される。
モデル開発プロセスを自動化するために,最新のAutoMLツールを効果的に利用する方法を示す。
論文 参考訳(メタデータ) (2020-09-17T19:47:05Z) - Fast, Accurate, and Simple Models for Tabular Data via Augmented
Distillation [97.42894942391575]
本研究では、FAST-DADを用いて、任意の複雑なアンサンブル予測を、高木、無作為林、深層ネットワークなどの個々のモデルに抽出する。
我々の個々の蒸留モデルは、H2O/AutoSklearnのようなAutoMLツールが生成するアンサンブル予測よりも10倍高速で精度が高い。
論文 参考訳(メタデータ) (2020-06-25T09:57:47Z) - Auto-PyTorch Tabular: Multi-Fidelity MetaLearning for Efficient and
Robust AutoDL [53.40030379661183]
Auto-PyTorchは、完全に自動化されたディープラーニング(AutoDL)を実現するフレームワーク
ディープニューラルネットワーク(DNN)のウォームスタートとアンサンブルのためのマルチフィデリティ最適化とポートフォリオ構築を組み合わせる。
Auto-PyTorchは、いくつかの最先端の競合製品よりもパフォーマンスが良いことを示す。
論文 参考訳(メタデータ) (2020-06-24T15:15:17Z)
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。