論文の概要: Time-Series Classification for Dynamic Strategies in Multi-Step Forecasting

• arxiv url: http://arxiv.org/abs/2402.08373v1
• Date: Tue, 13 Feb 2024 11:10:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-14 15:40:50.284107
• Title: Time-Series Classification for Dynamic Strategies in Multi-Step Forecasting
• Title（参考訳）: マルチステップ予測における動的戦略の時系列分類
• Authors: Riku Green, Grant Stevens, Telmo de Menezes e Silva Filho, Zahraa Abdallah
• Abstract要約: 時系列におけるマルチステップ予測(MSF)はほとんどの時間領域において基本である。 これまでの研究では、予測戦略が未確認データに基づく評価に最適であるかどうかが明らかでないことが示されている。 MSFのための動的戦略(DyStrat)を提案する。
• 参考スコア（独自算出の注目度）: 0.37141182051230903
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-step forecasting (MSF) in time-series, the ability to make predictions multiple time steps into the future, is fundamental to almost all temporal domains. To make such forecasts, one must assume the recursive complexity of the temporal dynamics. Such assumptions are referred to as the forecasting strategy used to train a predictive model. Previous work shows that it is not clear which forecasting strategy is optimal a priori to evaluating on unseen data. Furthermore, current approaches to MSF use a single (fixed) forecasting strategy. In this paper, we characterise the instance-level variance of optimal forecasting strategies and propose Dynamic Strategies (DyStrat) for MSF. We experiment using 10 datasets from different scales, domains, and lengths of multi-step horizons. When using a random-forest-based classifier, DyStrat outperforms the best fixed strategy, which is not knowable a priori, 94% of the time, with an average reduction in mean-squared error of 11%. Our approach typically triples the top-1 accuracy compared to current approaches. Notably, we show DyStrat generalises well for any MSF task.
• Abstract（参考訳）: 時系列におけるマルチステップ予測(msf、multi-step forecasting)は、ほぼすべての時間領域において基本となる。 このような予測を行うには、時間力学の再帰的複雑性を仮定しなければならない。 このような仮定は予測モデルをトレーニングするために使われる予測戦略と呼ばれる。 先行研究では、どの予測戦略が未発見データの評価に最適かは明らかでない。 さらに、msfに対する現在のアプローチでは、単一の(固定された)予測戦略を使用する。 本稿では,最適予測戦略のインスタンスレベルの分散を特徴とし,msfの動的戦略(dystrat)を提案する。 異なるスケール、ドメイン、長さの10個のデータセットを用いて実験を行った。 ランダムフォレストに基づく分類器を使用する場合、dystratは、平均2乗誤差が11%の平均減少率で、事前の94%が不明な最良の固定戦略よりも優れている。 私たちのアプローチは、通常、現在のアプローチと比較してトップ1の精度を3倍にします。 特に、任意のmsfタスクに対してdystrat generaliseをうまく示す。

関連論文リスト

• Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
  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)
• The Capacity and Robustness Trade-off: Revisiting the Channel Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
  本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。 以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。 本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:15:33Z)
• Sinkhorn-Flow: Predicting Probability Mass Flow in Dynamical Systems Using Optimal Transport [89.61692654941106]
  そこで本稿では, 最適な輸送手段を用いて, 時間とともにそのような物質流を予測する新しい手法を提案する。 我々は、ソーシャルネットワークの設定において、コミュニティがどのように進化していくかを予測するタスクに、我々のアプローチを適用した。
  論文  参考訳（メタデータ） (2023-03-14T07:25:44Z)
• 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） (2022-06-16T06:13:53Z)
• Optimal Latent Space Forecasting for Large Collections of Short Time Series Using Temporal Matrix Factorization [0.0]
  複数の手法を評価し、それらの方法の1つを選択することや、最良の予測を生成するためのアンサンブルを選択するのが一般的である。 本稿では,低ランク時間行列係数化と潜在時系列上での最適モデル選択を組み合わせることで,短時間の高次元時系列データを予測するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-15T11:39:21Z)
• 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)
• On the benefits of maximum likelihood estimation for Regression and Forecasting [35.386189585135334]
  我々は回帰と予測のためのMLE(Maximum Likelihood Estimation)の実践的アプローチを提唱する。 このアプローチは、データセットの事前ドメイン知識のような誘導バイアスをキャプチャするのに適しています。 提案手法は, 提案手法を設計した汎用混合型ファミリーでインスタンス化することにより, 経験的リスク最小化よりも優れた性能が得られることを実証的に実証した。
  論文  参考訳（メタデータ） (2021-06-18T22:10:43Z)
• 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)
• Simultaneously Reconciled Quantile Forecasting of Hierarchically Related Time Series [11.004159006784977]
  本稿では,階層間の予測の整合性を維持するために,量子レグレッション損失を最適化するフレキシブル非線形モデルを提案する。 ここで導入された理論的枠組みは、下層の微分可微分損失関数を持つ任意の予測モデルに適用できる。
  論文  参考訳（メタデータ） (2021-02-25T00:59:01Z)
• Model selection in reconciling hierarchical time series [2.705025060422369]
  本稿では,最も適切な階層的予測手法を動的に選択する手法を提案する。 このアプローチは機械学習の分類法に基づいており、時系列機能を主要な指標として利用する。 本結果は,条件付き階層予測が標準手法よりもはるかに正確な予測につながることを示唆している。
  論文  参考訳（メタデータ） (2020-10-21T03:40:35Z)

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。