Fugu-MT 論文翻訳(概要): Variational Mode Decomposition and Linear Embeddings are What You Need For Time-Series Forecasting

論文の概要: Variational Mode Decomposition and Linear Embeddings are What You Need For Time-Series Forecasting

arxiv url: http://arxiv.org/abs/2408.16122v2
Date: Wed, 4 Sep 2024 13:28:34 GMT
ステータス: 処理完了
システム内更新日: 2024-09-06 17:07:21.839713
Title: Variational Mode Decomposition and Linear Embeddings are What You Need For Time-Series Forecasting
Title（参考訳）: 時系列予測に必要なのは変分モード分解と線形埋め込み
Authors: Hafizh Raihan Kurnia Putra, Novanto Yudistira, Tirana Noor Fatyanosa,
Abstract要約: 変動モード分解(VMD)は、データを異なるモードに分解することでボラティリティを緩和する有望な手法として登場した。本研究では,線形モデルとVMDを統合し,ロバストな予測フレームワークを開発する。
参考スコア（独自算出の注目度）: 2.1233286062376497
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Time-series forecasting often faces challenges due to data volatility, which can lead to inaccurate predictions. Variational Mode Decomposition (VMD) has emerged as a promising technique to mitigate volatility by decomposing data into distinct modes, thereby enhancing forecast accuracy. In this study, we integrate VMD with linear models to develop a robust forecasting framework. Our approach is evaluated on 13 diverse datasets, including ETTm2, WindTurbine, M4, and 10 air quality datasets from various Southeast Asian cities. The effectiveness of the VMD strategy is assessed by comparing Root Mean Squared Error (RMSE) values from models utilizing VMD against those without it. Additionally, we benchmark linear-based models against well-known neural network architectures such as LSTM, Bidirectional LSTM, and RNN. The results demonstrate a significant reduction in RMSE across nearly all models following VMD application. Notably, the Linear + VMD model achieved the lowest average RMSE in univariate forecasting at 0.619. In multivariate forecasting, the DLinear + VMD model consistently outperformed others, attaining the lowest RMSE across all datasets with an average of 0.019. These findings underscore the effectiveness of combining VMD with linear models for superior time-series forecasting.
Abstract（参考訳）: 時系列予測は、データの不安定性によってしばしば課題に直面し、不正確な予測につながる可能性がある。変動モード分解(VMD)は、データを異なるモードに分解することでボラティリティを緩和し、予測精度を向上する有望な手法として登場した。本研究では,線形モデルとVMDを統合し,ロバストな予測フレームワークを開発する。 ETTm2, WindTurbine, M4, 東南アジアの各都市における10の大気質データセットを含む13の多様なデータセットについて検討を行った。 VMD戦略の有効性は、VMDを利用するモデルからRoot Mean Squared Error(RMSE)値を比較して評価する。さらに、LSTM、双方向LSTM、RNNなどのよく知られたニューラルネットワークアーキテクチャに対して線形ベースモデルをベンチマークする。その結果,VMD アプリケーションに続くほぼすべてのモデルにおいて,RMSE の大幅な削減が示された。特に、線形 + VMD モデルは、0.619 の単変量予測で最低平均 RMSE を達成した。多変量予測では、DLinear + VMDモデルは、平均0.019で、すべてのデータセットで最低のRMSEを達成した。これらの結果から,VMDと線形モデルを組み合わせることにより,時系列予測の精度が向上した。

関連論文リスト

Exploring the Use of Machine Learning Weather Models in Data Assimilation [0.0]
GraphCastとNeuralGCMは、MLベースの有望な2つの気象モデルであるが、データ同化への適合性はまだ未定である。 GraphCast と NeuralGCM の TL/AD 結果と,既存の数値天気予報モデルである Model for Prediction Across Scales - Atmosphere (MPAS-A) との比較を行った。 GraphCastとNeuralGCMの隣り合わせの結果はMPAS-Aのものと多少似ているが、様々な垂直レベルの非物理的ノイズも示し、運用DAシステムに対する堅牢性への懸念を提起している。
論文参考訳（メタデータ） (2024-11-22T02:18:28Z)
A Dynamic Approach to Stock Price Prediction: Comparing RNN and Mixture of Experts Models Across Different Volatility Profiles [0.0]
MoEフレームワークは揮発性株のRNNと安定株の線形モデルを組み合わせて、ゲーティングネットワークを介して各モデルの重量を動的に調整する。その結果,MoE法は様々な変動性プロファイルの予測精度を著しく向上させることがわかった。 MoEモデルの適応性は個々のモデルよりも優れており、Mean Squared Error(MSE)やMean Absolute Error(MAE)などのエラーを減らすことができる。
論文参考訳（メタデータ） (2024-10-04T14:36:21Z)
Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。時間間隔推定を組み込んだ拡散モデルである。我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文参考訳（メタデータ） (2024-06-20T02:20:23Z)
Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文参考訳（メタデータ） (2023-12-19T21:45:38Z)
Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文参考訳（メタデータ） (2022-02-18T22:41:51Z)
A Statistics and Deep Learning Hybrid Method for Multivariate Time Series Forecasting and Mortality Modeling [0.0]
Exponential Smoothing Recurrent Neural Network (ES-RNN)は、統計予測モデルとリカレントニューラルネットワークのハイブリッドである。 ES-RNNはMakridakis-4 Forecasting Competitionで絶対誤差を9.4%改善した。
論文参考訳（メタデータ） (2021-12-16T04:44:19Z)
Bagging, optimized dynamic mode decomposition (BOP-DMD) for robust, stable forecasting with spatial and temporal uncertainty-quantification [2.741266294612776]
動的モード分解(DMD)は、時間的または時間的データのスナップショット上で、最適な線形力学モデルを学習するためのフレームワークを提供する。 DMDアルゴリズムの大多数は、力学のノイズ測定によるバイアスエラーを起こしやすいため、モデル適合性の低下と不安定な予測能力に繋がる。最適化されたMDDアルゴリズムは、変数予測最適化によりモデルバイアスを最小限に抑え、安定化された予測能力をもたらす。
論文参考訳（メタデータ） (2021-07-22T18:14:20Z)
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)
Comparison of Traditional and Hybrid Time Series Models for Forecasting COVID-19 Cases [0.5849513679510832]
2019年12月の新型コロナウイルスの感染は、すでに世界中で数百万人を感染させ、拡大し続けています。流行のカーブが平ら化し始めた直後、多くの国が再びケースの増加を目撃し始めている。したがって、国家当局や保健当局に将来の時代の即時戦略を提供するには、時系列予測モデルの徹底的な分析が必要です。
論文参考訳（メタデータ） (2021-05-05T14:56:27Z)
Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文参考訳（メタデータ） (2021-04-28T22:14:25Z)
Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。