論文の概要: A Combination Model Based on Sequential General Variational Mode Decomposition Method for Time Series Prediction

• arxiv url: http://arxiv.org/abs/2406.03157v1
• Date: Wed, 5 Jun 2024 11:35:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 18:40:12.741141
• Title: A Combination Model Based on Sequential General Variational Mode Decomposition Method for Time Series Prediction
• Title（参考訳）: 時系列予測のための逐次一般変分モード分解法に基づく組合せモデル
• Authors: Wei Chen, Yuanyuan Yang, Jianyu Liu,
• Abstract要約: 我々は、金融時系列を予測する非線形な方法で、新しいSGVMD-ARIMA組合せモデルを構築した。 予測区間内では,従来の分解予測群モデルよりも利点が向上した。
• 参考スコア（独自算出の注目度）: 11.11205499754577
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accurate prediction of financial time series is a key concern for market economy makers and investors. The article selects online store sales and Australian beer sales as representatives of non-stationary, trending, and seasonal financial time series, and constructs a new SGVMD-ARIMA combination model in a non-linear combination way to predict financial time series. The ARIMA model, LSTM model, and other classic decomposition prediction models are used as control models to compare the accuracy of different models. The empirical results indicate that the constructed combination prediction model has universal advantages over the single prediction model and linear combination prediction model of the control group. Within the prediction interval, our proposed combination model has improved advantages over traditional decomposition prediction control group models.
• Abstract（参考訳）: 金融時系列の正確な予測は、市場経済のメーカーや投資家にとって重要な懸念である。 本記事は、ノン定常、トレンド、季節金融時系列の代表として、オンラインストアの販売とオーストラリアビールの販売を選択し、ノンリニアコンビネーション方式で新しいSGVMD-ARIMA組合せモデルを構築し、財務時系列を予測する。 ARIMAモデル、LSTMモデル、その他の古典的分解予測モデルは、異なるモデルの精度を比較するために制御モデルとして使用される。 実験結果から,構成された組合せ予測モデルが,制御群の単一予測モデルと線形結合予測モデルに対して普遍的な優位性を持つことが示唆された。 予測区間内では,従来の分解予測群モデルよりも利点が向上した。

関連論文リスト

• Conformal online model aggregation [29.43493007296859]
  本稿では,オンライン環境における共形モデルアグリゲーションへの新たなアプローチを提案する。 これは、過去の性能に基づいてモデルの重みが時間とともに適応される投票によって、いくつかのアルゴリズムの予測セットを組み合わせることに基づいている。
  論文  参考訳（メタデータ） (2024-03-22T15:40:06Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Local Bayesian Dirichlet mixing of imperfect models [0.0]
  ベイズモデルの平均化および混合技術による核質量の採掘能力について検討した。 予測精度と不確実性定量化の両方において,グローバルモデルと局所モデルの混合が優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2023-11-02T21:02:40Z)
• Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
  本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。 本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
  論文  参考訳（メタデータ） (2023-10-24T22:59:56Z)
• pTSE: A Multi-model Ensemble Method for Probabilistic Time Series Forecasting [10.441994923253596]
  pTSEは隠れマルコフモデル(HMM)に基づく確率予測のための多モデル分布アンサンブル法である pTSE の完全理論的解析を行い,HMM を対象とする時系列の経験的分布が定常分布にほぼ確実に収束することを示す。 ベンチマーク実験は、pTSE全体構成モデルと競合アンサンブル手法の優位性を示している。
  論文  参考訳（メタデータ） (2023-05-16T07:00:57Z)
• CAMERO: Consistency Regularized Ensemble of Perturbed Language Models with Weight Sharing [83.63107444454938]
  本稿では,CAMEROと呼ばれる摂動モデルに基づく一貫性規則化アンサンブル学習手法を提案する。 具体的には、すべてのモデルで底層重みを共有し、異なるモデルの隠れ表現に異なる摂動を適用し、モデルの多様性を効果的に促進することができる。 大規模言語モデルを用いた実験により,CAMEROはアンサンブルモデルの一般化性能を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2022-04-13T19:54:51Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Model-Attentive Ensemble Learning for Sequence Modeling [86.4785354333566]
  シーケンスモデリング(MAES)のためのモデル・アテンティブ・アンサンブル・ラーニングを提案する。 MAESは、異なるシーケンスダイナミクスの専門家を専門とし、予測を適応的に重み付けるために、注目ベースのゲーティングメカニズムを利用する時系列の専門家の混合物です。 MAESが時系列シフトを受けるデータセットの人気シーケンスモデルを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2021-02-23T05:23:35Z)
• Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
  我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。 トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
  論文  参考訳（メタデータ） (2020-10-27T17:54:12Z)

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。