論文の概要: Dual-Splitting Conformal Prediction for Multi-Step Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2503.21251v1
- Date: Thu, 27 Mar 2025 08:17:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-28 18:49:11.435669
- Title: Dual-Splitting Conformal Prediction for Multi-Step Time Series Forecasting
- Title(参考訳): マルチステップ時系列予測のための2分割等角予測
- Authors: Qingdi Yu, Zhiwei Cao, Ruihang Wang, Zhen Yang, Lijun Deng, Min Hu, Yong Luo, Xin Zhou,
- Abstract要約: 時系列予測は、リソーススケジューリングやリスク管理といったアプリケーションでは不可欠である。
Conformal Prediction (CP) のほとんどの変種は、シングルステップの予測のために設計されており、マルチステップシナリオにおける課題に直面している。
マルチステップ予測のための時系列データに固有の依存関係をキャプチャする新しいCP手法を提案する。
- 参考スコア(独自算出の注目度): 16.432179549126236
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series forecasting is crucial for applications like resource scheduling and risk management, where multi-step predictions provide a comprehensive view of future trends. Uncertainty Quantification (UQ) is a mainstream approach for addressing forecasting uncertainties, with Conformal Prediction (CP) gaining attention due to its model-agnostic nature and statistical guarantees. However, most variants of CP are designed for single-step predictions and face challenges in multi-step scenarios, such as reliance on real-time data and limited scalability. This highlights the need for CP methods specifically tailored to multi-step forecasting. We propose the Dual-Splitting Conformal Prediction (DSCP) method, a novel CP approach designed to capture inherent dependencies within time-series data for multi-step forecasting. Experimental results on real-world datasets from four different domains demonstrate that the proposed DSCP significantly outperforms existing CP variants in terms of the Winkler Score, achieving a performance improvement of up to 23.59% compared to state-of-the-art methods. Furthermore, we deployed the DSCP approach for renewable energy generation and IT load forecasting in power management of a real-world trajectory-based application, achieving an 11.25% reduction in carbon emissions through predictive optimization of data center operations and controls.
- Abstract(参考訳): 時系列予測は、リソーススケジューリングやリスク管理といったアプリケーションでは不可欠である。
不確実性定量化(英: Uncertainty Quantification、UQ)は、予測の不確実性に対処する主要なアプローチであり、そのモデルに依存しない性質と統計的保証により、コンフォーマル予測(CP)が注目を集めている。
しかし、CPのほとんどの変種はシングルステップの予測のために設計されており、リアルタイムデータへの依存やスケーラビリティの制限など、マルチステップシナリオにおける課題に直面している。
これは、特にマルチステップ予測に適したCPメソッドの必要性を強調している。
多段階予測のための時系列データに固有の依存関係をキャプチャする新しいCP手法であるDual-Splitting Conformal Prediction (DSCP)法を提案する。
4つの異なる領域の実世界のデータセットに対する実験結果から、提案されたDSCPはWinkler Scoreの点で既存のCPの亜種よりも大幅に優れており、最先端の手法と比較して最大23.59%の性能向上が達成されている。
さらに、実世界の軌道ベースアプリケーションの電力管理において、再生可能エネルギー生成とIT負荷予測のためのDSCPアプローチを導入し、データセンターの運用と制御の予測最適化により、炭素排出量の11.25%削減を実現した。
関連論文リスト
- PFformer: A Position-Free Transformer Variant for Extreme-Adaptive Multivariate Time Series Forecasting [9.511600544581425]
PFformerは、単一ターゲットのMSS予測用に設計された、位置のないトランスフォーマーベースのモデルである。
PFformerは、EFE(Enhanced Feature-based Embedding)とAEE(Auto-Encoder-based Embedding)の2つの新しい埋め込み戦略を統合している。
論文 参考訳(メタデータ) (2025-02-27T22:21:27Z) - Distributed Conformal Prediction via Message Passing [33.306901198295016]
コンフォーマル予測は、保持されたデータセットを活用することで、予測セットに対して分布のない統計的カバレッジを保証する。
本稿では,CPによる信頼性推論を実現するための2つのメッセージパスベースのアプローチを提案する。
論文 参考訳(メタデータ) (2025-01-24T14:47:42Z) - Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
本稿では,長期時系列予測のための制約付き学習手法を提案する。
提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-02-14T18:20:44Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳(メタデータ) (2023-10-17T20:30:16Z) - 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) - IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint
Multi-Agent Trajectory Prediction [73.25645602768158]
IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。
我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
論文 参考訳(メタデータ) (2023-03-01T15:16:56Z) - Copula Conformal Prediction for Multi-step Time Series Forecasting [18.298634240183862]
時系列予測のためのCopula Conformal Predictionアルゴリズム,CopulaCPTSを提案する。
我々は,CopulaCPTSが既存の手法よりも多段階予測タスクに対して,よりキャリブレーションと鋭い信頼区間を生成することを示す。
論文 参考訳(メタデータ) (2022-12-06T19:32:06Z) - A novel Deep Learning approach for one-step Conformal Prediction
approximation [0.7646713951724009]
Conformal Prediction (CP) は、最小限の制約を与えられた最大エラー率を保証する汎用的なソリューションである。
本稿では,従来の2ステップCPアプローチを1ステップで近似する新しい共形損失関数を提案する。
論文 参考訳(メタデータ) (2022-07-25T17:46:09Z) - Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。
我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。
提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
論文 参考訳(メタデータ) (2022-07-11T21:17:41Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳(メタデータ) (2022-06-16T06:13:53Z) - Long Range Probabilistic Forecasting in Time-Series using High Order
Statistics [19.12411040726229]
本稿では,ベースレベルとアグリゲーション統計量で一致した予測を生成する新しい確率予測手法を提案する。
提案手法は,3つの領域にまたがる実際のデータセットにおいて,ベースレベルと非表示アグリゲーションの両方で予測性能を向上することを示す。
論文 参考訳(メタデータ) (2021-11-05T11:10:35Z) - Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic
Regression [51.770998056563094]
PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。
既存の最先端手法と比較してPGBMの利点を実証的に示す。
論文 参考訳(メタデータ) (2021-06-03T08:32:13Z)
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。