Fugu-MT 論文翻訳(概要): auto-sktime: Automated Time Series Forecasting

論文の概要: auto-sktime: Automated Time Series Forecasting

arxiv url: http://arxiv.org/abs/2312.08528v3
Date: Tue, 30 Apr 2024 15:23:59 GMT
ステータス: 処理完了
システム内更新日: 2024-05-01 19:37:57.169429
Title: auto-sktime: Automated Time Series Forecasting
Title（参考訳）: auto-sktime: 自動時系列予測
Authors: Marc-André Zöller, Marius Lindauer, 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）: 18.640815949661903
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,AutoMLを時系列データに適用するための3つの重要な改良を提案する。まず、サポートされているさまざまな予測モデルを考慮したパイプラインテンプレート。第2に、事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した。 64の多様な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た。

関連論文リスト

Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文参考訳（メタデータ） (2024-11-24T04:56:45Z)
FlowScope: Enhancing Decision Making by Time Series Forecasting based on Prediction Optimization using HybridFlow Forecast Framework [0.0]
時系列予測は気象学、小売、医療、金融などいくつかの分野において重要である。本稿では,時系列データを予測するための汎用的で堅牢なプラットフォームであるFlowScopeを提案する。これにより、企業に対して、インフォームドな意思決定と、パフォーマンスの最大化のための長期的な戦略を最適化することが可能になる。
論文参考訳（メタデータ） (2024-11-16T06:25:30Z)
Fully Automated Correlated Time Series Forecasting in Minutes [31.198713853170375]
本稿では,完全に自動化された高効率な時系列予測フレームワークを提案する。これには、データ駆動の反復戦略が含まれており、大きな検索スペースを自動でプーンし、新しい予測タスクのための高品質な検索スペースを得る。 7つのベンチマークデータセットの実験は、このフレームワークが最先端の精度を持ち、既存の方法よりもはるかに効率的であることを示す。
論文参考訳（メタデータ） (2024-11-06T09:02:13Z)
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)
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)

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。