論文の概要: Optimal starting point for time series forecasting

• arxiv url: http://arxiv.org/abs/2409.16843v1
• Date: Wed, 25 Sep 2024 11:51:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-27 04:05:48.635136
• Title: Optimal starting point for time series forecasting
• Title（参考訳）: 時系列予測のための最適出発点
• Authors: Yiming Zhong, Yinuo Ren, Guangyao Cao, Feng Li, Haobo Qi,
• Abstract要約: 我々は、OSP-TSP(Optimal starting Point Time Series Forecast)と呼ばれる新しいアプローチを導入する。 XGBoostモデルとLightGBMモデルを利用してシーケンス長を調整することで、提案手法は時系列の最適開始点(OSP)を決定することができる。 実験の結果,OSP-TSPアプローチに基づく予測は,完全なデータセットを用いた予測よりも一貫して優れていた。
• 参考スコア（独自算出の注目度）: 1.9937737230710553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances on time series forecasting mainly focus on improving the forecasting models themselves. However, managing the length of the input data can also significantly enhance prediction performance. In this paper, we introduce a novel approach called Optimal Starting Point Time Series Forecast (OSP-TSP) to capture the intrinsic characteristics of time series data. By adjusting the sequence length via leveraging the XGBoost and LightGBM models, the proposed approach can determine optimal starting point (OSP) of the time series and thus enhance the prediction performances. The performances of the OSP-TSP approach are then evaluated across various frequencies on the M4 dataset and other real-world datasets. Empirical results indicate that predictions based on the OSP-TSP approach consistently outperform those using the complete dataset. Moreover, recognizing the necessity of sufficient data to effectively train models for OSP identification, we further propose targeted solutions to address the issue of data insufficiency.
• Abstract（参考訳）: 時系列予測の最近の進歩は、主に予測モデル自体の改善に焦点を当てている。 しかし、入力データの長さの管理も予測性能を大幅に向上させることができる。 本稿では,時系列データの固有特性を捉えるために,OSP-TSP(Optimal starting Point Time Series Forecast)と呼ばれる新しい手法を提案する。 XGBoostモデルとLightGBMモデルを利用してシーケンス長を調整することにより、提案手法は時系列の最適開始点(OSP)を決定することができ、予測性能を向上させることができる。 OSP-TSPアプローチのパフォーマンスは、M4データセットや他の実世界のデータセット上で様々な周波数で評価される。 実験の結果,OSP-TSPアプローチに基づく予測は,完全なデータセットを用いた予測よりも一貫して優れていた。 さらに、OSP識別のためのモデルを効果的に訓練するための十分なデータの必要性を認識し、データ不足問題に対処するためのターゲットソリューションをさらに提案する。

関連論文リスト

• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Hyperparameter Tuning MLPs for Probabilistic Time Series Forecasting [6.579888565581481]
  時系列予測は過去の傾向やパターンを分析して将来の出来事を予測しようとする。 よく研究されているが、時系列予測におけるディープラーニングの利用に関するいくつかの重要な側面はあいまいである。 そこで本研究では, TSBench と命名された, 97200 評価を含む時系列予測のための最大メタデータセットについて紹介する。
  論文  参考訳（メタデータ） (2024-03-07T13:22:25Z)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• Enhancing Algorithm Performance Understanding through tsMorph: Generating Semi-Synthetic Time Series for Robust Forecasting Evaluation [0.393259574660092]
  本稿では,データセットのモーフィングによる半合成時系列生成ツールであるtsMorphについて述べる。 本稿では,Long Short-Term Memory NetworkとDeepAR予測アルゴリズムの予測性能を評価することにより,tsMorphの利点を示す。
  論文  参考訳（メタデータ） (2023-12-03T10:40:07Z)
• 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)
• QBSD: Quartile-Based Seasonality Decomposition for Cost-Effective RAN KPI Forecasting [0.18416014644193066]
  我々は、精度と計算複雑性のトレードオフを最適化するために、QBSDというライブシングルステップ予測手法を紹介した。 QBSDは数千セル以上の実ネットワークRANデータセットで大きな成功を収めています。 その結果,提案手法は主要なアルゴリズムに比べて実行効率が優れていることがわかった。
  論文  参考訳（メタデータ） (2023-06-09T15:59:27Z)
• Exogenous Data in Forecasting: FARM -- A New Measure for Relevance Evaluation [62.997667081978825]
  FARM - Forward Relevance Aligned Metricという新しいアプローチを導入する。 我々のフォワード法は、その後のデータポイントの変化を時系列に合わせるために比較する角測度に依存する。 第1の検証ステップとして、FARMアプローチの合成信号・代表信号への適用について述べる。
  論文  参考訳（メタデータ） (2023-04-21T15:22:33Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Hierarchical Proxy Modeling for Improved HPO in Time Series Forecasting [9.906423777470737]
  本稿では,時系列データセットに関連付けられたデータ階層を利用して,HPOをテストプロキシで駆動する新しい手法H-Proを提案する。 H-Proは、市販の機械学習モデルにも適用でき、HPOを実行することができる。 我々の手法は、観光、ウィキ、交通のデータセットにおける既存の最先端手法よりも優れています。
  論文  参考訳（メタデータ） (2022-11-28T06:37:15Z)
• Financial Time Series Data Augmentation with Generative Adversarial Networks and Extended Intertemporal Return Plots [2.365537081046599]
  データ拡張作業に最先端の画像ベース生成モデルを適用した。 時系列の新しい画像表現である拡張時空間回帰プロット(XIRP)を導入する。 提案手法は,金融データセットの79%に対して,リターン予測誤差を7%削減できることを示す。
  論文  参考訳（メタデータ） (2022-05-18T13:39:27Z)

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。