論文の概要: Empirical Comparison of Lightweight Forecasting Models for Seasonal and Non-Seasonal Time Series

• arxiv url: http://arxiv.org/abs/2505.01163v1
• Date: Fri, 02 May 2025 10:12:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:19.99056
• Title: Empirical Comparison of Lightweight Forecasting Models for Seasonal and Non-Seasonal Time Series
• Title（参考訳）: 季節・非季節時系列における軽量予測モデルの実証比較
• Authors: Thanh Son Nguyen, Dang Minh Duc Nguyen, Van Thanh Nguyen,
• Abstract要約: 本研究では,ポリノミアルと放射基底ネットワーク(RBFNN)の実証比較を行った。 モデル性能は,平均絶対誤差,ルート平均正方形誤差,ルート平均正方形誤差の係数関数を用いて予測精度と計算時間を用いて評価する。 その結果, RBFNNは季節パターンの精度が向上するのに対し, 非季節系列ではPCの方が精度が高く, 予測速度も速いことが示唆された。
• 参考スコア（独自算出の注目度）: 1.9799527196428246
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate time series forecasting is essential in many real-time applications that demand both high predictive accuracy and computational efficiency. This study provides an empirical comparison between a Polynomial Classifier and a Radial Basis Function Neural Network (RBFNN) across four real-world time series datasets (weather conditions, gold prices, crude oil prices, and beer production volumes) that cover both seasonal and nonseasonal patterns. Model performance is evaluated by forecasting accuracy (using Mean Absolute Error, Root Mean Squared Error, and Coefficient of Variation of Root Mean Squared Error) and computational time to assess each model's viability for real time forecasting. The results show that the PC yields more accurate and faster forecasts for non seasonal series, whereas the RBFNN performs better on series with pronounced seasonal patterns. From an interpretability standpoint, the polynomial model offers a simpler, more transparent structure (in contrast to the black box nature of neural network), which is advantageous for understanding and trust in real time decision making. The performance differences between PC and RBFNN are statistically significant, as confirmed by paired t tests and Wilcoxon signed rank tests. These findings provide practical guidance for model selection in time series forecasting, indicating that PC may be preferable for quick, interpretable forecasts in non-seasonal contexts, whereas RBFNN is superior for capturing complex seasonal behaviors
• Abstract（参考訳）: 正確な時系列予測は、高い予測精度と計算効率の両方を必要とする多くのリアルタイムアプリケーションにおいて不可欠である。 本研究は,実世界の時系列データセット(ウェザー条件,金価格,原油価格,ビール生産量)において,季節パターンと季節パターンの両方をカバーする放射基底関数ニューラルネットワーク(RBFNN)とを比較検討した。 モデル性能は, 予測精度(平均絶対誤差, ルート平均正方形誤差, ルート平均正方形誤差の変動係数)と, 実時間予測における各モデルの有効性を評価する計算時間を用いて評価する。 その結果, RBFNNは季節パターンの鮮明なシリーズにおいて, より精度が高く, より高速に予測できることがわかった。 解釈可能性の観点からは、多項式モデルは(ニューラルネットワークのブラックボックスの性質とは対照的に)よりシンプルで透明な構造を提供しており、リアルタイム意思決定の理解と信頼に有利である。 PCとRBFNNのパフォーマンスの違いは統計的に有意であり、ペアt試験とWilcoxon符号のランク試験で確認された。 これらの結果は時系列予測におけるモデル選択の実践的ガイダンスであり、PCは時系列以外の文脈で素早く解釈可能な予測に好適であるのに対し、RBFNNは複雑な季節変動を捉えるのに優れていることを示している。

関連論文リスト

• Neural Networks with LSTM and GRU in Modeling Active Fires in the Amazon [0.0]
  本研究は,ブラジルのアマゾンにあるAQUA_M-T衛星によって検出された活動点の歴史的時系列をモデル化し,予測するための包括的方法論を提案する。 このアプローチでは、Long Short-Term Memory(LSTM)とGated Recurrent Unit(GRU)アーキテクチャを組み合わせた混合リカレントニューラルネットワーク(RNN)モデルを採用して、毎日検出されたアクティブファイアスポットの月次蓄積を予測する。
  論文  参考訳（メタデータ） (2024-09-04T13:11:59Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Precipitation nowcasting with generative diffusion models [0.0]
  降水処理における拡散モデルの有効性について検討した。 本研究は, 確立されたU-Netモデルの性能と比較したものである。
  論文  参考訳（メタデータ） (2023-08-13T09:51:16Z)
• SwinVRNN: A Data-Driven Ensemble Forecasting Model via Learned Distribution Perturbation [16.540748935603723]
  本研究では,SwinRNN予測器と摂動モジュールを組み合わせた天気予報モデルであるSwinVRNNを提案する。 SwinVRNNはECMWF統合予測システム(IFS)を2m温度と6時間総降水量で最大5日間のリードタイムで上回っている。
  論文  参考訳（メタデータ） (2022-05-26T05:11:58Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)

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。