論文の概要: Recency-Weighted Temporally-Segmented Ensemble for Time-Series Modeling
- arxiv url: http://arxiv.org/abs/2403.02150v1
- Date: Mon, 4 Mar 2024 16:00:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 18:19:41.950491
- Title: Recency-Weighted Temporally-Segmented Ensemble for Time-Series Modeling
- Title（参考訳）: 時系列モデリングのための時間重み付けアンサンブル
- Authors: P{\aa}l V. Johnsen, Eivind B{\o}hn, S{\o}lve Eidnes, Filippo Remonato
and Signe Riemer-S{\o}rensen
- Abstract要約: プロセス産業における時系列モデリングは、複雑で多面的で進化するデータ特性を扱うという課題に直面している。
マルチステップ予測のための新しいチャンクベースアプローチであるRecency-Weighted Temporally-Segmented(ReWTS)アンサンブルモデルを導入する。
ノルウェーの排水処理場と飲料水処理場からの2年間のデータをもとに,比較分析を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Time-series modeling in process industries faces the challenge of dealing
with complex, multi-faceted, and evolving data characteristics. Conventional
single model approaches often struggle to capture the interplay of diverse
dynamics, resulting in suboptimal forecasts. Addressing this, we introduce the
Recency-Weighted Temporally-Segmented (ReWTS, pronounced `roots') ensemble
model, a novel chunk-based approach for multi-step forecasting. The key
characteristics of the ReWTS model are twofold: 1) It facilitates
specialization of models into different dynamics by segmenting the training
data into `chunks' of data and training one model per chunk. 2) During
inference, an optimization procedure assesses each model on the recent past and
selects the active models, such that the appropriate mixture of previously
learned dynamics can be recalled to forecast the future. This method not only
captures the nuances of each period, but also adapts more effectively to
changes over time compared to conventional `global' models trained on all data
in one go. We present a comparative analysis, utilizing two years of data from
a wastewater treatment plant and a drinking water treatment plant in Norway,
demonstrating the ReWTS ensemble's superiority. It consistently outperforms the
global model in terms of mean squared forecasting error across various model
architectures by 10-70\% on both datasets, notably exhibiting greater
resilience to outliers. This approach shows promise in developing automatic,
adaptable forecasting models for decision-making and control systems in process
industries and other complex systems.
- Abstract（参考訳）: プロセス産業における時系列モデリングは、複雑で多面的で進化するデータ特性を扱うという課題に直面している。
従来の単一モデルアプローチは、様々な力学の相互作用を捉えるのにしばしば苦労し、最適以下の予測をもたらす。
そこで我々は,マルチステップ予測のための新しいチャンクベースアプローチであるRecency-Weighted Temporally-Segmented(ReWTS)アンサンブルモデルを提案する。
ReWTSモデルの主な特徴は2つある。
1)トレーニングデータを‘チャンク’に分割し,チャンク毎に1つのモデルをトレーニングすることで,モデルを異なるダイナミクスに特殊化する。
2) 推論中, 最適化手法は過去の各モデルを評価し, 将来を予測するために, 予め学習したダイナミクスの適切な混合をリコールできるように, アクティブモデルを選択する。
この方法は、各周期のニュアンスをキャプチャするだけでなく、すべてのデータでトレーニングされた従来の“グローバル”モデルよりも、時間とともに変化に効果的に対応します。
本研究では,ノルウェーの排水処理場と飲料水処理場からの2年間のデータを用いて,rewtsアンサンブルの優越性を示す比較分析を行った。
さまざまなモデルアーキテクチャで平均2乗予測エラーを両データセットで10-70\%も上回っており、特に外れ値に対するレジリエンスが向上している。
このアプローチは、プロセス産業やその他の複雑なシステムにおける意思決定および制御システムのための自動的、適応可能な予測モデルの開発に期待を示す。
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) - A Collaborative Ensemble Framework for CTR Prediction [73.59868761656317]
我々は、複数の異なるモデルを活用するための新しいフレームワーク、CETNet(Collaborative Ensemble Training Network)を提案する。
ナイーブなモデルスケーリングとは違って,私たちのアプローチは,共同学習による多様性とコラボレーションを重視しています。
当社のフレームワークは,Metaの3つのパブリックデータセットと大規模産業データセットに基づいて検証する。
論文 参考訳（メタデータ） (2024-11-20T20:38:56Z) - DisenTS: Disentangled Channel Evolving Pattern Modeling for Multivariate Time Series Forecasting [43.071713191702486]
DisenTSは、一般的な時系列予測において、不整合チャネル進化パターンをモデル化するための調整されたフレームワークである。
本稿では,予測器の状態と入力系列の特性の両方に応じて適応的にルーティング信号を生成する,新しいフォアキャスタ・アウェアゲート(FAG)モジュールを提案する。
論文 参考訳（メタデータ） (2024-10-30T12:46:14Z) - On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。
本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
論文 参考訳（メタデータ） (2024-10-12T07:02:33Z) - Data-Juicer Sandbox: A Comprehensive Suite for Multimodal Data-Model Co-development [67.55944651679864]
統合データモデル共同開発に適した新しいサンドボックススイートを提案する。
このサンドボックスは包括的な実験プラットフォームを提供し、データとモデルの両方の迅速なイテレーションと洞察駆動による改善を可能にする。
また、徹底的なベンチマークから得られた実りある洞察を明らかにし、データ品質、多様性、モデル行動の間の重要な相互作用に光を当てています。
論文 参考訳（メタデータ） (2024-07-16T14:40:07Z) - A Two-Phase Recall-and-Select Framework for Fast Model Selection [13.385915962994806]
本稿では,2相モデル選択フレームワークを提案する。
これは、ベンチマークデータセット上でモデルのトレーニングパフォーマンスを活用することにより、堅牢なモデルを選択する効率を高めることを目的としている。
提案手法は,従来のベースライン法に比べて約3倍の速度でハイパフォーマンスモデルの選択を容易にすることが実証された。
論文 参考訳（メタデータ） (2024-03-28T14:44:44Z) - EAMDrift: An interpretable self retrain model for time series [0.0]
EAMDrift(EAMDrift)は、複数の個人予測器から予測を合成し、性能指標に従って予測を重み付けする新しい手法である。
EAMDriftはデータのアウト・オブ・ディストリビューションパターンに自動的に適応し、各瞬間に使用する最も適切なモデルを特定するように設計されている。
本研究は,EAMDriftが個々のベースラインモデルより20%優れ,非解釈可能なアンサンブルモデルに匹敵する精度が得られることを示す。
論文 参考訳（メタデータ） (2023-05-31T13:25:26Z) - Deep incremental learning models for financial temporal tabular datasets
with distribution shifts [0.9790236766474201]
このフレームワークは、単純な基本的なビルディングブロック(決定木)を使用して、必要な複雑さの自己相似モデルを構築する。
我々は,NumeraiデータセットでトレーニングしたXGBoostモデルを用いて提案手法を実証し,異なるモデルスナップショット上での2層のXGBoostモデルの深部アンサンブルが高品質な予測を提供することを示す。
論文 参考訳（メタデータ） (2023-03-14T14:10:37Z) - Dataless Knowledge Fusion by Merging Weights of Language Models [51.8162883997512]
微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。
これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。
パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
論文 参考訳（メタデータ） (2022-12-19T20:46:43Z) - Global Models for Time Series Forecasting: A Simulation Study [2.580765958706854]
自動回帰(AR)や季節ARのような単純なデータ生成プロセス(DGP)からカオスロジスティックマップ、自己興奮型閾値自動回帰、マッキーグラス方程式といった複雑なDGPまで、時系列をシミュレートする。
データセットの長さと系列数は、さまざまなシナリオで変化します。
我々はこれらのデータセットに対して,Recurrent Neural Networks (RNN), Feed-Forward Neural Networks, Pooled Regression (PR) Model, Light Gradient Boosting Models (LGBM)などの大域的予測モデルを用いて実験を行った。
論文 参考訳（メタデータ） (2020-12-23T04:45:52Z)
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。