論文の概要: An Open-Source and Reproducible Implementation of LSTM and GRU Networks for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2504.18185v1
• Date: Fri, 25 Apr 2025 09:00:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.709537
• Title: An Open-Source and Reproducible Implementation of LSTM and GRU Networks for Time Series Forecasting
• Title（参考訳）: 時系列予測のためのLSTMとGRUネットワークのオープンソースで再現可能な実装
• Authors: Gissel Velarde, Pedro Branez, Alejandro Bueno, Rodrigo Heredia, Mateo Lopez-Ledezma,
• Abstract要約: 本稿では,時系列予測のためのLong Short-Term Memory(LSTM)とGated Recurrent Unit(GRU)ネットワークのオープンソースかつ再現可能な実装について紹介する。
• 参考スコア（独自算出の注目度）: 39.69790911626182
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces an open-source and reproducible implementation of Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) Networks for time series forecasting. We evaluated LSTM and GRU networks because of their performance reported in related work. We describe our method and its results on two datasets. The first dataset is the S&P BSE BANKEX, composed of stock time series (closing prices) of ten financial institutions. The second dataset, called Activities, comprises ten synthetic time series resembling weekly activities with five days of high activity and two days of low activity. We report Root Mean Squared Error (RMSE) between actual and predicted values, as well as Directional Accuracy (DA). We show that a single time series from a dataset can be used to adequately train the networks if the sequences in the dataset contain patterns that repeat, even with certain variation, and are properly processed. For 1-step ahead and 20-step ahead forecasts, LSTM and GRU networks significantly outperform a baseline on the Activities dataset. The baseline simply repeats the last available value. On the stock market dataset, the networks perform just like the baseline, possibly due to the nature of these series. We release the datasets used as well as the implementation with all experiments performed to enable future comparisons and to make our research reproducible.
• Abstract（参考訳）: 本稿では,時系列予測のためのLong Short-Term Memory(LSTM)とGated Recurrent Unit(GRU)ネットワークのオープンソースかつ再現可能な実装について紹介する。 LSTM と GRU ネットワークは,その性能が関連研究で報告されているため,評価を行った。 2つのデータセット上で,本手法とその結果について述べる。 最初のデータセットはS&P BSE BANKEXで、10の金融機関の株価時系列(閉鎖価格)で構成されている。 アクティビティと呼ばれる第2のデータセットは、週に5日間の高活動と2日間の低活動に類似した10の合成時系列で構成されている。 実測値と予測値との間にはルート平均正方形誤差(RMSE)と方向精度(DA)を報告する。 データセット内のシーケンスに反復するパターンが含まれていても、特定の変動があっても適切に処理されている場合、データセットからの1つの時系列を使用して、ネットワークを適切にトレーニングすることができることを示す。 1ステップ先進予測と20ステップ先進予測では、LSTMとGRUネットワークはアクティビティデータセットのベースラインを大幅に上回る。 ベースラインは単に最後の利用可能な値を繰り返す。 株式市場のデータセットでは、ネットワークはベースラインと同じように動作します。 我々は、将来の比較を可能にし、我々の研究を再現可能にするために、使用したデータセットと、実施したすべての実験の実装をリリースする。

関連論文リスト

• Time-MQA: Time Series Multi-Task Question Answering with Context Enhancement [55.2439260314328]
  Time Series Multi-Task Question Answering (Time-MQA)は、複数の時系列タスクにわたる自然言語クエリを可能にする統合フレームワークである。 Time-MQAの中心はTSQAデータセットである。
  論文  参考訳（メタデータ） (2025-02-26T13:47:13Z)
• TimePFN: Effective Multivariate Time Series Forecasting with Synthetic Data [22.458320848520042]
  TimePFNは、ベイズ推定の近似を目的としたPFN(Presideed-data Fitted Networks)の概念に基づいている。 我々は、いくつかのベンチマークデータセット上でTimePFNを評価し、MSS予測のための既存の最先端モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-22T16:55:14Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Generating Realistic Tabular Data with Large Language Models [49.03536886067729]
  大規模言語モデル(LLM)は多様なタスクに使われてきたが、特徴と対象変数の正確な相関は捉えていない。 そこで本研究では,LLMに基づく3つの重要な改良を加えて,実データの特徴クラス相関を正しく把握する手法を提案する。 実験の結果,本手法は下流タスクにおいて,20個のデータセット上で10個のSOTAベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-10-29T04:14:32Z)
• Finding Foundation Models for Time Series Classification with a PreText Task [7.197233473373693]
  本稿では,時系列分類のための事前訓練済みドメイン基盤モデルを提案する。 我々の方法論の重要な側面は、複数のデータセットにまたがる新しいプリテキストタスクである。 UCRアーカイブの実験では,この事前学習戦略が,事前学習を伴わずに従来の訓練方法よりも有意に優れていたことが示されている。
  論文  参考訳（メタデータ） (2023-11-24T15:03:55Z)
• 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)
• Forecasting with Deep Learning [0.0]
  本稿では,ディープラーニングを用いた時系列予測手法とその2つのデータセットに対する評価について述べる。 データセットの時系列に特定のバリエーションがあっても繰り返されるパターンが含まれている場合、単一の時系列を使用してディープラーニングネットワークをトレーニングすることができる。 株式市場の閉鎖価格のようなより構造化されていない時系列では、ネットワークは観測された最後の値を繰り返すベースラインのように機能する。
  論文  参考訳（メタデータ） (2023-02-17T10:09:22Z)
• STING: Self-attention based Time-series Imputation Networks using GAN [4.052758394413726]
  GANを用いたSING(Self-attention based Time-Series Imputation Networks)を提案する。 我々は、時系列の潜在表現を学習するために、生成的対向ネットワークと双方向リカレントニューラルネットワークを利用する。 3つの実世界のデータセットによる実験結果から、STINGは既存の最先端手法よりも計算精度が優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-22T06:06:56Z)
• A data filling methodology for time series based on CNN and (Bi)LSTM neural networks [0.0]
  イタリア・ボルツァーノの監視アパートから得られた時系列データギャップを埋めるための2つのDeep Learningモデルを開発した。 提案手法は, 変動するデータの性質を把握し, 対象時系列の再構成に優れた精度を示す。
  論文  参考訳（メタデータ） (2022-04-21T09:40:30Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)

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。