論文の概要: Enhancing Multi-Step Brent Oil Price Forecasting with Ensemble Multi-Scenario Bi-GRU Networks
- arxiv url: http://arxiv.org/abs/2407.11267v1
- Date: Mon, 15 Jul 2024 22:21:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-17 19:02:01.302497
- Title: Enhancing Multi-Step Brent Oil Price Forecasting with Ensemble Multi-Scenario Bi-GRU Networks
- Title（参考訳）: 多段ブレント原油価格予測のエンサンブル型ビGRUネットワークによる強化
- Authors: Mohammed Alruqimi, Luca Di Persio,
- Abstract要約: 我々は,ブレント原油価格のボラティリティを把握し,多段階予測を強化するためのアンサンブルモデルを導入する。
まず、一般的なディープラーニングモデルと、様々な外部要因が予測精度に与える影響を評価する。
提案手法は,3つのBI-GRUネットワークを用いて,複数の予測シナリオのアンサンブル手法を用いて正確な予測を生成する。
- 参考スコア（独自算出の注目度）: 1.03590082373586
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite numerous research efforts in applying deep learning to time series forecasting, achieving high accuracy in multi-step predictions for volatile time series like crude oil prices remains a significant challenge. Moreover, most existing approaches primarily focus on one-step forecasting, and the performance often varies depending on the dataset and specific case study. In this paper, we introduce an ensemble model to capture Brent oil price volatility and enhance the multi-step prediction. Our methodology employs a two-pronged approach. First, we assess popular deep-learning models and the impact of various external factors on forecasting accuracy. Then, we introduce an ensemble multi-step forecasting model for Brent oil prices. Our approach generates accurate forecasts by employing ensemble techniques across multiple forecasting scenarios using three BI-GRU networks.Extensive experiments were conducted on a dataset encompassing the COVID-19 pandemic period, which had a significant impact on energy markets. The proposed model's performance was evaluated using the standard evaluation metrics of MAE, MSE, and RMSE. The results demonstrate that the proposed model outperforms benchmark and established models.
- Abstract（参考訳）: 時系列予測にディープラーニングを適用する多くの研究努力にもかかわらず、原油価格のような揮発性時系列の多段階予測において高い精度を達成することは大きな課題である。
さらに、既存のアプローチのほとんどは1ステップの予測に重点を置いており、そのパフォーマンスはデータセットや特定のケーススタディによって異なります。
本稿では,ブレント原油価格のボラティリティを把握し,多段階予測を強化するためのアンサンブルモデルを提案する。
我々の手法は2段階のアプローチを採用している。
まず、一般的なディープラーニングモデルと様々な外部要因が予測精度に与える影響を評価する。
次に,ブレント原油価格に対するアンサンブル多段階予測モデルを導入する。
提案手法は,3つのBI-GRUネットワークを用いて,複数の予測シナリオにアンサンブル技術を用いて正確な予測を生成する。
提案モデルの性能は,MAE,MSE,RMSEの標準評価指標を用いて評価した。
その結果,提案モデルがベンチマークおよび確立されたモデルより優れていることが示された。
関連論文リスト
- Enhancing Multistep Brent Oil Price Forecasting with a Multi-Aspect Metaheuristic Optimization Approach and Ensemble Deep Learning Models [1.03590082373586]
メタヒューリスティック最適化と5つのニューラルネットワークアーキテクチャのアンサンブルを組み合わせたハイブリッドアプローチを提案する。
我々は,GWOメタヒューリスティック・オプティマイザを特徴選択,データ準備,モデルトレーニング,予測ブレンディングの4段階で活用する。
提案手法は、実世界のブレント原油価格データを用いて、前日3日を予測するために評価されている。
論文 参考訳（メタデータ） (2024-07-15T22:27:14Z) - Rating Multi-Modal Time-Series Forecasting Models (MM-TSFM) for Robustness Through a Causal Lens [10.103561529332184]
ノイズや不正なデータによる不正確さが誤った予測につながるような,マルチモーダルな時系列予測に重点を置いている。
本稿では,マルチモーダル時系列予測モデルのロバスト性を評価するための評価手法を提案する。
論文 参考訳（メタデータ） (2024-06-12T17:39:16Z) - MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。
予測性能を高めるために3段階の相関を同時に検討する。
注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
論文 参考訳（メタデータ） (2024-05-30T03:32:44Z) - 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) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-18T16:21:15Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳（メタデータ） (2022-09-23T16:13:47Z) - Modeling Volatility and Dependence of European Carbon and Energy Prices [0.0]
欧州排出アローアンス(EUA)の価格について検討する
本稿では,データの特徴を生かした確率的条件付き時系列モデルを提案する。
また,ロシアによるウクライナ侵攻を視野に入れて,ボラティリティの流出と時間差の相関に注目した。
論文 参考訳（メタデータ） (2022-08-30T14:50:25Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳（メタデータ） (2022-03-07T18:59:54Z) - Feature-weighted Stacking for Nonseasonal Time Series Forecasts: A Case
Study of the COVID-19 Epidemic Curves [0.0]
本研究では,非シーズン時間帯での利用可能性について,予測におけるアンサンブル手法について検討する。
予備予測段階における予測能力を証明する2つの予測モデルと2つのメタ機能からなる重畳アンサンブルを用いて遅延データ融合を提案する。
論文 参考訳（メタデータ） (2021-08-19T14:44:46Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Ensemble Forecasting for Intraday Electricity Prices: Simulating
Trajectories [0.0]
近年の研究では、時間単位のドイツの日内連続市場は弱い状態にあることが示されている。
時間内電力価格の確率予測は、トレーディングウィンドウ毎に軌跡をシミュレートして行う。
この調査は、過去3時間でドイツの日内連続市場における価格分布を予測することを目的としているが、このアプローチは、特にヨーロッパでは、他の連続市場への適用を可能にする。
論文 参考訳（メタデータ） (2020-05-04T10:21:20Z)
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。