論文の概要: DeepVARMA: A Hybrid Deep Learning and VARMA Model for Chemical Industry Index Forecasting
- arxiv url: http://arxiv.org/abs/2404.17615v1
- Date: Fri, 26 Apr 2024 09:15:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-30 20:00:20.319802
- Title: DeepVARMA: A Hybrid Deep Learning and VARMA Model for Chemical Industry Index Forecasting
- Title（参考訳）: DeepVARMA: 化学産業指標予測のためのハイブリッドディープラーニングとVARMAモデル
- Authors: Xiang Li, Hu Yang,
- Abstract要約: 本稿では,LSTMモデルとVARMAXモデルを組み合わせた新しい予測モデルであるDeepVARMAを提案する。
実験結果から,新しいモデルでは予測精度が最良であることが示唆された。
本研究は, 化学産業における今後の開発・科学的意思決定のための, より正確なツールと方法を提供する。
- 参考スコア（独自算出の注目度）: 14.738606795298043
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Since the chemical industry index is one of the important indicators to measure the development of the chemical industry, forecasting it is critical for understanding the economic situation and trends of the industry. Taking the multivariable nonstationary series-synthetic material index as the main research object, this paper proposes a new prediction model: DeepVARMA, and its variants Deep-VARMA-re and DeepVARMA-en, which combine LSTM and VARMAX models. The new model firstly uses the deep learning model such as the LSTM remove the trends of the target time series and also learn the representation of endogenous variables, and then uses the VARMAX model to predict the detrended target time series with the embeddings of endogenous variables, and finally combines the trend learned by the LSTM and dependency learned by the VARMAX model to obtain the final predictive values. The experimental results show that (1) the new model achieves the best prediction accuracy by combining the LSTM encoding of the exogenous variables and the VARMAX model. (2) In multivariate non-stationary series prediction, DeepVARMA uses a phased processing strategy to show higher adaptability and accuracy compared to the traditional VARMA model as well as the machine learning models LSTM, RF and XGBoost. (3) Compared with smooth sequence prediction, the traditional VARMA and VARMAX models fluctuate more in predicting non-smooth sequences, while DeepVARMA shows more flexibility and robustness. This study provides more accurate tools and methods for future development and scientific decision-making in the chemical industry.
- Abstract（参考訳）: 化学産業指数は化学産業の発展を測る重要な指標の1つであり、産業の経済状況や動向を理解する上で重要であると予測している。
本稿では,多変量非定常連続合成材料指数を主研究対象とし,LSTMモデルとVARMAXモデルを組み合わせた新しい予測モデルであるDeep-VARMA-reとDeep-VARMA-enを提案する。
新たなモデルはまず、LSTMのような深層学習モデルを用いて、対象時系列の傾向を除去し、内在変数の表現を学習し、次にVARMAXモデルを用いて、拡張対象時系列を内在変数の埋め込みで予測し、最終的にLSTMが学習したトレンドとVARMAXモデルが学習した依存性を組み合わせて最終的な予測値を得る。
実験の結果,(1)新モデルは,外因性変数のLSTMエンコーディングとVARMAXモデルを組み合わせることで,最高の予測精度が得られることがわかった。
2)多変量非定常系列予測において,DeepVARMAは,従来のVARMAモデルや機械学習モデルLSTM,RF,XGBoostよりも高い適応性と精度を示すため,位相処理戦略を用いる。
(3)スムーズなシーケンス予測と比較すると,従来のVARMAモデルとVARMAXモデルは非滑らかなシーケンスの予測においてより変動し,DeepVARMAはより柔軟性と堅牢性を示す。
本研究は, 化学産業における今後の開発・科学的意思決定のための, より正確なツールと方法を提供する。
関連論文リスト
- Recursive Learning of Asymptotic Variational Objectives [49.69399307452126]
一般状態空間モデル(英: General State-space Model, SSM)は、統計機械学習において広く用いられ、時系列データに対して最も古典的な生成モデルの一つである。
オンラインシーケンシャルIWAE(OSIWAE)は、潜在状態の推測のためのモデルパラメータとマルコフ認識モデルの両方のオンライン学習を可能にする。
このアプローチは、最近提案されたオンライン変分SMC法よりも理論的によく確立されている。
論文 参考訳（メタデータ） (2024-11-04T16:12:37Z) - Remaining Useful Life Prediction: A Study on Multidimensional Industrial Signal Processing and Efficient Transfer Learning Based on Large Language Models [6.118896920507198]
本稿では,大言語モデル(LLM)をRUL予測に用いる革新的な回帰フレームワークを提案する。
ターボファンエンジンのRUL予測タスクの実験では、提案モデルが最先端(SOTA)法を超越していることが示されている。
微調整のための最小限のターゲットドメインデータでは、モデルは完全なターゲットドメインデータに基づいて訓練されたSOTAメソッドよりも優れている。
論文 参考訳（メタデータ） (2024-10-04T04:21:53Z) - On Least Square Estimation in Softmax Gating Mixture of Experts [78.3687645289918]
決定論的MoEモデルに基づく最小二乗推定器(LSE)の性能について検討する。
我々は,多種多様な専門家関数の収束挙動を特徴付けるために,強い識別可能性という条件を確立する。
本研究は,専門家の選択に重要な意味を持つ。
論文 参考訳（メタデータ） (2024-02-05T12:31:18Z) - Advanced Deep Regression Models for Forecasting Time Series Oil
Production [3.1383147856975633]
本研究の目的は、逐次畳み込みと長寿命メモリ(LSTM)ユニットを用いた高度なデータ駆動回帰モデルを開発することである。
LSTMに基づくシーケンス学習モデルは,平均絶対誤差(MAE)とR2スコア(111.16点,0.98点)の1次元畳み込みニューラルネットワーク(CNN)よりも石油生産を予測できることがわかった。
論文 参考訳（メタデータ） (2023-08-30T15:54:06Z) - Differential Evolution Algorithm based Hyper-Parameters Selection of
Transformer Neural Network Model for Load Forecasting [0.0]
トランスフォーマーモデルは、そのアテンションメカニズムから派生した長距離依存を学習できるため、ロード予測を改善する可能性がある。
我々の研究は,平均二乗誤差 (MSE) や平均絶対パーセンテージ誤差 (MAPE) といった数値に基づく負荷予測において,異なるメタヒューリスティックアルゴリズムと統合されたトランスフォーマーベースニューラルネットワークモデルを比較した。
論文 参考訳（メタデータ） (2023-07-28T04:29:53Z) - G-NM: A Group of Numerical Time Series Prediction Models [0.0]
数値時系列予測モデル(G-NM)のグループは、線形および非線形の依存関係、季節性、時系列データに存在する傾向の両方をカプセル化する。
G-NMは、複雑な自然現象に固有のパターンや傾向に関連する予測能力を増強するために明確に構成されている。
論文 参考訳（メタデータ） (2023-06-20T16:39:27Z) - Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence
Classification [109.81283748940696]
我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。
シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
論文 参考訳（メタデータ） (2022-07-18T19:16:56Z) - Bayesian Active Learning for Discrete Latent Variable Models [19.852463786440122]
アクティブラーニングは、モデルのパラメータに適合するために必要なデータ量を削減しようとする。
潜在変数モデルは神経科学、心理学、その他の様々な工学、科学分野において重要な役割を果たす。
論文 参考訳（メタデータ） (2022-02-27T19:07:12Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。
GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。
本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文 参考訳（メタデータ） (2021-01-06T17:36:26Z)
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。