論文の概要: Forecasting intermittent time series with Gaussian Processes and Tweedie likelihood

• arxiv url: http://arxiv.org/abs/2502.19086v1
• Date: Wed, 26 Feb 2025 12:31:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 14:58:38.196153
• Title: Forecasting intermittent time series with Gaussian Processes and Tweedie likelihood
• Title（参考訳）: ガウス過程による断続時系列の予測とツイーディ可能性
• Authors: Stefano Damato, Dario Azzimonti, Giorgio Corani,
• Abstract要約: 本稿では,間欠的時系列の確率的予測にガウス過程(GP)を導入する。 我々は、潜在GP変数と、負二項分布(NegBinGP)とツイーディ分布(TweedieGP)の2種類の予測分布を結合する。
• 参考スコア（独自算出の注目度）: 0.840358257755792
• License:
• Abstract: We introduce the use of Gaussian Processes (GPs) for the probabilistic forecasting of intermittent time series. The model is trained in a Bayesian framework that accounts for the uncertainty about the latent function and marginalizes it out when making predictions. We couple the latent GP variable with two types of forecast distributions: the negative binomial (NegBinGP) and the Tweedie distribution (TweedieGP). While the negative binomial has already been used in forecasting intermittent time series, this is the first time in which a fully parameterized Tweedie density is used for intermittent time series. We properly evaluate the Tweedie density, which is both zero-inflated and heavy tailed, avoiding simplifying assumptions made in existing models. We test our models on thousands of intermittent count time series. Results show that our models provide consistently better probabilistic forecasts than the competitors. In particular, TweedieGP obtains the best estimates of the highest quantiles, thus showing that it is more flexible than NegBinGP.
• Abstract（参考訳）: 本稿では,間欠的時系列の確率的予測にガウス過程(GP)を導入する。 このモデルは、潜在関数の不確かさを考慮し、予測を行う際にそれを疎外するベイズ的なフレームワークで訓練されている。 潜在GP変数を負二項分布 (NegBinGP) とツイーディ分布 (TweedieGP) の2種類の予測分布と組み合わせる。 間欠時間列の予測にはすでに負の二項法が使われているが、間欠時間列に完全にパラメータ化されたツイーディー密度が使われるのはこれが初めてである。 既存のモデルにおける仮定を単純化するのを避けるため、ゼロインフレドとヘビーテールドの両方であるツイーディ密度を適切に評価する。 数千の断続カウント時系列でモデルをテストします。 結果は、我々のモデルは競合他社よりも一貫して優れた確率予測を提供することを示している。 特に、ツイーディGPは最も高い量子量の推定値を得るため、NegBinGPよりも柔軟であることを示す。

関連論文リスト

• An evidential time-to-event prediction model based on Gaussian random fuzzy numbers [12.753099158148887]
  検閲データを用いた時間-時間予測のための明らかなモデルを提案する。 事象時間の不確かさはガウス乱ファジィ数によって定量化される。
  論文  参考訳（メタデータ） (2024-06-19T12:14:45Z)
• 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)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Conditional Approximate Normalizing Flows for Joint Multi-Step Probabilistic Electricity Demand Forecasting [32.907448044102864]
  本研究では,条件付き近似正規化流(CANF)を導入し,長い時間的地平線上で相関が存在する場合の確率的多段階時系列予測を行う。 実験の結果, 条件付き近似正規化フローは, 多段階予測精度で他の手法よりも優れており, 最大10倍のスケジューリング決定が導かれることがわかった。
  論文  参考訳（メタデータ） (2022-01-08T03:42:12Z)
• Comparing Sequential Forecasters [35.38264087676121]
  2つの予測器を考えてみましょう。それぞれが時間とともに一連のイベントを予測します。 オンラインでもポストホックでも、予測と結果がどのように生成されたかの検証不可能な仮定を避けながら、これらの予測をどのように比較すればよいのか? 予測スコアの時間差を推定するための新しい逐次推論手法を提案する。 実世界の野球と天気予報機を比較することで,我々のアプローチを実証的に検証する。
  論文  参考訳（メタデータ） (2021-09-30T22:54:46Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Deep Distributional Time Series Models and the Probabilistic Forecasting of Intraday Electricity Prices [0.0]
  本稿では,深部時系列確率モデルを構築するための2つのアプローチを提案する。 1つ目は、ESNの出力層が、追加の正規化の前に乱れと縮小がある点である。 第二のアプローチは、特徴空間上の深いコプラ過程であるガウス乱れを伴うESNの暗黙のコプラを用いる。
  論文  参考訳（メタデータ） (2020-10-05T08:02:29Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。