論文の概要: Addressing Challenges in Time Series Forecasting: A Comprehensive Comparison of Machine Learning Techniques

• arxiv url: http://arxiv.org/abs/2503.20148v1
• Date: Wed, 26 Mar 2025 01:55:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-27 13:18:13.491313
• Title: Addressing Challenges in Time Series Forecasting: A Comprehensive Comparison of Machine Learning Techniques
• Title（参考訳）: 時系列予測における課題への対処--機械学習手法の総合的比較
• Authors: Seyedeh Azadeh Fallah Mortezanejad, Ruochen Wang,
• Abstract要約: 本稿では,TS回帰タスクに適したアルゴリズムを簡潔に記述し,コンパイルする。 我々は,これらのアルゴリズムと,多様なデータセットを用いた古典的ARIMA法を比較した。 特に長期的な予測では、精度の予測に重点を置いている。
• 参考スコア（独自算出の注目度）: 8.962460460173958
• License:
• Abstract: The explosion of Time Series (TS) data, driven by advancements in technology, necessitates sophisticated analytical methods. Modern management systems increasingly rely on analyzing this data, highlighting the importance of effcient processing techniques. State-of-the-art Machine Learning (ML) approaches for TS analysis and forecasting are becoming prevalent. This paper briefly describes and compiles suitable algorithms for TS regression task. We compare these algorithms against each other and the classic ARIMA method using diverse datasets: complete data, data with outliers, and data with missing values. The focus is on forecasting accuracy, particularly for long-term predictions. This research aids in selecting the most appropriate algorithm based on forecasting needs and data characteristics.
• Abstract（参考訳）: 技術の発展によって引き起こされた時系列データ(TS)の爆発は、洗練された分析手法を必要とする。 現代の管理システムはこのデータを分析することにますます依存しており、効率的な処理技術の重要性を強調している。 TS分析と予測のための最先端機械学習(ML)アプローチが普及しつつある。 本稿では,TS回帰タスクに適したアルゴリズムを簡潔に記述し,コンパイルする。 我々はこれらのアルゴリズムを互いに比較し、様々なデータセット(完全データ、外れ値を持つデータ、欠落値を持つデータ)を用いて古典的ARIMA法と比較する。 特に長期的な予測では、精度の予測に重点を置いている。 この研究は、予測ニーズとデータ特性に基づいて、最も適切なアルゴリズムを選択するのに役立つ。

関連論文リスト

• Capturing the Temporal Dependence of Training Data Influence [100.91355498124527]
  我々は、訓練中にデータポイントを除去する影響を定量化する、軌跡特異的な離脱の影響の概念を定式化する。 軌道固有LOOの効率的な近似を可能にする新しい手法であるデータ値埋め込みを提案する。 データバリューの埋め込みは、トレーニングデータの順序付けをキャプチャするので、モデルトレーニングのダイナミクスに関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2024-12-12T18:28:55Z)
• Transfer Learning in $\ell_1$ Regularized Regression: Hyperparameter Selection Strategy based on Sharp Asymptotic Analysis [3.5374094795720854]
  転送学習技術は、複数の関連するデータセットからの情報を活用し、ターゲットデータセットに対する予測品質を向上させることを目的としている。 トランス・ラッソ(Trans-Lasso)とプレトレーニング・ラッソ(Pretraining Lasso)である。 レプリカ法を用いて解析することにより,高次元環境下でのアルゴリズムの徹底的,精密な研究を行う。 微調整段階に転送される2種類の情報の1つを無視することは、一般化性能にはほとんど影響しない。
  論文  参考訳（メタデータ） (2024-09-26T10:20:59Z)
• RHiOTS: A Framework for Evaluating Hierarchical Time Series Forecasting Algorithms [0.393259574660092]
  RHiOTSは、階層的な時系列予測モデルとアルゴリズムを実世界のデータセット上で堅牢性を評価するように設計されている。 RHiOTSは、複雑な多次元ロバストネス評価結果を直感的で容易に解釈可能なビジュアルに変換する革新的な可視化コンポーネントを組み込んでいる。 従来の統計的手法は、変換効果が非常に破壊的である場合を除き、最先端のディープラーニングアルゴリズムよりも頑健であることを示す。
  論文  参考訳（メタデータ） (2024-08-06T18:52:15Z)
• TRIAGE: Characterizing and auditing training data for improved regression [80.11415390605215]
  TRIAGEは回帰タスクに適した新しいデータキャラクタリゼーションフレームワークで、広範囲の回帰器と互換性がある。 TRIAGEは、共形予測分布を利用して、モデルに依存しないスコアリング方法、TRIAGEスコアを提供する。 TRIAGEの特徴は一貫性があり、複数の回帰設定においてデータの彫刻/フィルタリングによるパフォーマンス向上に有効であることを示す。
  論文  参考訳（メタデータ） (2023-10-29T10:31:59Z)
• Machine Learning Algorithms for Time Series Analysis and Forecasting [0.0]
  時系列データは、販売記録から患者の健康進化指標まで、あらゆる場所で使用されている。 様々な統計的および深層学習モデル、特にARIMA、Prophet、LSTMが検討されている。 我々の研究は、誰でも予測プロセスの理解を深め、現在使われている様々な芸術モデルの状態を識別するために利用できる。
  論文  参考訳（メタデータ） (2022-11-25T22:12:03Z)
• Detection and Evaluation of Clusters within Sequential Data [58.720142291102135]
  Block Markov Chainsのクラスタリングアルゴリズムは理論的最適性を保証する。 特に、私たちのシーケンシャルデータは、ヒトのDNA、テキスト、動物運動データ、金融市場から派生しています。 ブロックマルコフ連鎖モデルの仮定は、実際に探索データ解析において有意義な洞察を得られることが判明した。
  論文  参考訳（メタデータ） (2022-10-04T15:22:39Z)
• Early Time-Series Classification Algorithms: An Empirical Comparison [59.82930053437851]
  早期時系列分類(Early Time-Series Classification, ETSC)は、できるだけ少ない測定で時系列のクラスを予測するタスクである。 既存のETSCアルゴリズムを公開データと,新たに導入された2つのデータセットで評価した。
  論文  参考訳（メタデータ） (2022-03-03T10:43:56Z)
• A Meta-learning Approach to Reservoir Computing: Time Series Prediction with Limited Data [0.0]
  本研究では,実験プロセスから適切なモデル構造を自動的に抽出するデータ駆動型手法を提案する。 簡単なベンチマーク問題に対して,我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2021-10-07T18:23:14Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Towards Synthetic Multivariate Time Series Generation for Flare Forecasting [5.098461305284216]
  データ駆動・レアイベント予測アルゴリズムのトレーニングにおける制限要因の1つは、関心のあるイベントの不足である。 本研究では,データインフォームド・オーバーサンプリングを行う手段として,条件付き生成逆数ネットワーク(CGAN)の有用性を検討する。
  論文  参考訳（メタデータ） (2021-05-16T22:23:23Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)

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。