論文の概要: Enhancing Uncertainty Communication in Time Series Predictions: Insights and Recommendations
- arxiv url: http://arxiv.org/abs/2408.12365v1
- Date: Thu, 22 Aug 2024 13:03:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-23 13:53:43.116882
- Title: Enhancing Uncertainty Communication in Time Series Predictions: Insights and Recommendations
- Title（参考訳）: 時系列予測における不確実性コミュニケーションの促進:洞察と勧告
- Authors: Apoorva Karagappa, Pawandeep Kaur Betz, Jonas Gilg, Moritz Zeumer, Andreas Gerndt, Bernhard Preim,
- Abstract要約: 本研究では,時系列予測における確率的不確実性を推定する方法を検討する。
個人特性とユーザ報告メトリクスが不確実性評価に与える影響について検討する。
- 参考スコア（独自算出の注目度）: 1.0132481904371098
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As the world increasingly relies on mathematical models for forecasts in different areas, effective communication of uncertainty in time series predictions is important for informed decision making. This study explores how users estimate probabilistic uncertainty in time series predictions under different variants of line charts depicting uncertainty. It examines the role of individual characteristics and the influence of user-reported metrics on uncertainty estimations. By addressing these aspects, this paper aims to enhance the understanding of uncertainty visualization and for improving communication in time series forecast visualizations and the design of prediction data dashboards.As the world increasingly relies on mathematical models for forecasts in different areas, effective communication of uncertainty in time series predictions is important for informed decision making. This study explores how users estimate probabilistic uncertainty in time series predictions under different variants of line charts depicting uncertainty. It examines the role of individual characteristics and the influence of user-reported metrics on uncertainty estimations. By addressing these aspects, this paper aims to enhance the understanding of uncertainty visualization and for improving communication in time series forecast visualizations and the design of prediction data dashboards.
- Abstract（参考訳）: 世界は、異なる領域における予測の数学的モデルにますます依存しているため、時系列予測における不確実性の効果的なコミュニケーションは、情報的意思決定において重要である。
本研究では, 時系列予測における確率的不確実性を, 不確実性を示す線図の異なる変種で推定する方法を検討する。
個人特性とユーザ報告メトリクスが不確実性評価に与える影響について検討する。
これらの側面に対処することで、不確実性可視化の理解を深め、時系列予測の可視化におけるコミュニケーションの改善と予測データダッシュボードの設計を図り、世界は様々な領域における予測の数学的モデルにますます依存しているため、時系列予測における効果的な不確実性通信は、情報的意思決定において重要である。
本研究では, 時系列予測における確率的不確実性を, 不確実性を示す線図の異なる変種で推定する方法を検討する。
個人特性とユーザ報告メトリクスが不確実性評価に与える影響について検討する。
これらの側面に対処することにより、不確実性可視化の理解を深め、時系列予測可視化におけるコミュニケーションと予測データダッシュボードの設計を改善することを目的とする。
関連論文リスト
- Deconfounding Time Series Forecasting [1.5967186772129907]
時系列予測は様々な領域において重要な課題であり、正確な予測は情報的な意思決定を促進する。
従来の予測手法は、しばしば将来の結果を予測するために変数の現在の観測に依存している。
本稿では,過去のデータから得られた潜在的共同設立者の表現を取り入れた予測手法を提案する。
論文 参考訳（メタデータ） (2024-10-27T12:45:42Z) - Future-Guided Learning: A Predictive Approach To Enhance Time-Series Forecasting [4.866362841501992]
本稿では、時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。
提案手法は,重要な事象を特定するために将来的なデータを解析する検出モデルと,これらの事象を現在のデータに基づいて予測する予測モデルである。
予測モデルと検出モデルの間に不一致が発生した場合、予測モデルはより実質的な更新を行う。
論文 参考訳（メタデータ） (2024-10-19T21:22:55Z) - Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。
幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
論文 参考訳（メタデータ） (2024-07-02T20:14:32Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳（メタデータ） (2023-08-03T12:43:21Z) - Comparison of Uncertainty Quantification with Deep Learning in Time
Series Regression [7.6146285961466]
本稿では,気象時系列データと異なる不確実性推定手法を比較した。
その結果,各不確実性推定手法が予測タスクに与える影響が示された。
論文 参考訳（メタデータ） (2022-11-11T14:29:13Z) - Predicting from Predictions [18.393971232725015]
観測データから,結果に対する予測の因果的影響を同定する方法について検討した。
予測から予測する教師あり学習は,特徴,予測,結果の間の伝達可能な機能的関係を見出すことができることを示す。
論文 参考訳（メタデータ） (2022-08-15T16:57:02Z) - What Should I Know? Using Meta-gradient Descent for Predictive Feature
Discovery in a Single Stream of Experience [63.75363908696257]
計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。
この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。
本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
論文 参考訳（メタデータ） (2022-06-13T21:31:06Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。
一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
論文 参考訳（メタデータ） (2021-02-16T23:50:35Z) - STUaNet: Understanding uncertainty in spatiotemporal collective human
mobility [11.436035608461966]
本研究では,内部データ品質と外部不確実性を同時に推定する不確実性学習機構を提案する。
提案手法は予測と不確かさの両面において優れていることを示す。
論文 参考訳（メタデータ） (2021-02-09T01:43:27Z)
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。