論文の概要: Lag Selection for Univariate Time Series Forecasting using Deep Learning: An Empirical Study
- arxiv url: http://arxiv.org/abs/2405.11237v1
- Date: Sat, 18 May 2024 09:31:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-21 18:48:01.270602
- Title: Lag Selection for Univariate Time Series Forecasting using Deep Learning: An Empirical Study
- Title（参考訳）: 深層学習を用いた一変量時系列予測のためのラグ選択:実証的研究
- Authors: José Leites, Vitor Cerqueira, Carlos Soares,
- Abstract要約: 我々は、グローバルアプローチで訓練されたディープラーニング手法、すなわち、複数の単変量時系列からなるデータセットに焦点を当てる。
その結果,ラグサイズは正確な予測のパラメータであることがわかった。
クロスバリデーションアプローチは、ラグ選択に最適なパフォーマンスを示している。
- 参考スコア（独自算出の注目度）: 0.393259574660092
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most forecasting methods use recent past observations (lags) to model the future values of univariate time series. Selecting an adequate number of lags is important for training accurate forecasting models. Several approaches and heuristics have been devised to solve this task. However, there is no consensus about what the best approach is. Besides, lag selection procedures have been developed based on local models and classical forecasting techniques such as ARIMA. We bridge this gap in the literature by carrying out an extensive empirical analysis of different lag selection methods. We focus on deep learning methods trained in a global approach, i.e., on datasets comprising multiple univariate time series. The experiments were carried out using three benchmark databases that contain a total of 2411 univariate time series. The results indicate that the lag size is a relevant parameter for accurate forecasts. In particular, excessively small or excessively large lag sizes have a considerable negative impact on forecasting performance. Cross-validation approaches show the best performance for lag selection, but this performance is comparable with simple heuristics.
- Abstract（参考訳）: ほとんどの予測手法は、過去の観測(ラグ)を使って、単変量時系列の将来の値をモデル化している。
正確な予測モデルのトレーニングには,十分な数のラグを選択することが重要である。
この課題を解決するためにいくつかのアプローチとヒューリスティックが考案された。
しかしながら、最もよいアプローチとは何かという意見は一致していない。
また,局所モデルやARIMAのような古典的予測手法に基づいて,ラグ選択法が開発されている。
異なるラグ選択方法の広範な実験分析を行うことにより,このギャップを文献に橋渡しする。
我々は、グローバルアプローチで訓練されたディープラーニング手法、すなわち、複数の単変量時系列からなるデータセットに焦点を当てる。
実験は、合計2411個の単変量時系列を含む3つのベンチマークデータベースを用いて実施された。
その結果,ラグサイズは正確な予測のパラメータであることがわかった。
特に、過度に小さくまたは過度に大きいラグサイズは、予測性能にかなりの悪影響を及ぼす。
クロスバリデーションアプローチはラグ選択に最適な性能を示すが、この性能は単純なヒューリスティックスに匹敵する。
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) - RobustTSF: Towards Theory and Design of Robust Time Series Forecasting
with Anomalies [28.59935971037066]
汚染データからロバストな予測モデルを自動的に学習する手法を開発した。
そこで本研究では,ロバストな予測モデルを学習するための単純かつ効率的なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-02-03T05:13:09Z) - Contrastive Difference Predictive Coding [79.74052624853303]
本研究では、時系列データの断片を縫合して、将来の事象の予測を学習するために必要なデータの量を減少させるコントラッシブ予測符号化の時間差版を導入する。
目的条件付きRLの非政治アルゴリズムを導出するために,この表現学習手法を適用した。
論文 参考訳（メタデータ） (2023-10-31T03:16:32Z) - Lag-Llama: Towards Foundation Models for Probabilistic Time Series
Forecasting [54.04430089029033]
本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。
Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。
このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-10-12T12:29:32Z) - Pushing the Limits of Pre-training for Time Series Forecasting in the
CloudOps Domain [54.67888148566323]
クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。
強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。
これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
論文 参考訳（メタデータ） (2023-10-08T08:09:51Z) - A Generative Language Model for Few-shot Aspect-Based Sentiment Analysis [90.24921443175514]
我々は、アスペクト項、カテゴリを抽出し、対応する極性を予測するアスペクトベースの感情分析に焦点を当てる。
本稿では,一方向の注意を伴う生成言語モデルを用いて,抽出タスクと予測タスクをシーケンス生成タスクに再構成することを提案する。
提案手法は,従来の最先端(BERTをベースとした)の性能を,数ショットとフルショットの設定において,大きなマージンで上回ります。
論文 参考訳（メタデータ） (2022-04-11T18:31:53Z) - 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) - Model Selection for Time Series Forecasting: Empirical Analysis of
Different Estimators [1.6328866317851185]
時系列予測タスクにおけるモデル選択のための一連の推定手法を比較する。
その結果,最適解選択のための推定器の精度は低いことがわかった。
サンプルサイズなどのいくつかの要因は、推定器の相対的性能において重要である。
論文 参考訳（メタデータ） (2021-04-01T16:08:25Z) - The Effectiveness of Discretization in Forecasting: An Empirical Study
on Neural Time Series Models [15.281725756608981]
ニューラル予測アーキテクチャの予測性能に及ぼすデータ入力および出力変換の影響について検討する。
バイナリ化は実値入力の正規化に比べてほぼ常に性能が向上することがわかった。
論文 参考訳（メタデータ） (2020-05-20T15:09:28Z) - Drift-Adjusted And Arbitrated Ensemble Framework For Time Series
Forecasting [0.491574468325115]
時系列データの複雑で進化的な性質のため、時系列予測は難しい問題である。
あらゆる時系列データに対して普遍的に有効な方法は存在しない。
そこで本研究では,そのような分布ドリフトを考慮した再重み付け手法を提案する。
論文 参考訳（メタデータ） (2020-03-16T10:21:37Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳（メタデータ） (2020-03-10T09:15:42Z)
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。