論文の概要: Comparative Analysis of Time Series Foundation Models for Demographic Forecasting: Enhancing Predictive Accuracy in US Population Dynamics

• arxiv url: http://arxiv.org/abs/2508.11680v1
• Date: Sat, 09 Aug 2025 07:55:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.245614
• Title: Comparative Analysis of Time Series Foundation Models for Demographic Forecasting: Enhancing Predictive Accuracy in US Population Dynamics
• Title（参考訳）: 人口動態の予測精度向上のための時系列基礎モデルの比較分析
• Authors: Aditya Akella, Jonathan Farah,
• Abstract要約: 本研究は,アメリカ合衆国における時系列基盤モデルの人口変動予測への応用について検討した。 従来のベースラインに対する時系列基礎モデル(TimesFM)の性能評価を行った。 人口統計学的に多様性のある6州を対象に行った実験では、TimesFMが86.67%のテストケースで最低値のMean Squared Error(MSE)を達成した。
• 参考スコア（独自算出の注目度）: 4.3009067533625895
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Demographic shifts, influenced by globalization, economic conditions, geopolitical events, and environmental factors, pose significant challenges for policymakers and researchers. Accurate demographic forecasting is essential for informed decision-making in areas such as urban planning, healthcare, and economic policy. This study explores the application of time series foundation models to predict demographic changes in the United States using datasets from the U.S. Census Bureau and Federal Reserve Economic Data (FRED). We evaluate the performance of the Time Series Foundation Model (TimesFM) against traditional baselines including Long Short-Term Memory (LSTM) networks, Autoregressive Integrated Moving Average (ARIMA), and Linear Regression. Our experiments across six demographically diverse states demonstrate that TimesFM achieves the lowest Mean Squared Error (MSE) in 86.67% of test cases, with particularly strong performance on minority populations with sparse historical data. These findings highlight the potential of pre-trained foundation models to enhance demographic analysis and inform proactive policy interventions without requiring extensive task-specific fine-tuning.
• Abstract（参考訳）: グローバル化、経済状況、地政学的な出来事、環境要因に影響されたデモグラフィックの変化は、政策立案者や研究者にとって大きな課題となっている。 正確な人口統計予測は、都市計画、医療、経済政策などの分野における情報的意思決定に不可欠である。 本研究では、米国国勢調査局と連邦準備制度経済データ(FRED)のデータセットを用いて、アメリカ合衆国における人口変動を予測するための時系列基盤モデルの適用について検討する。 本研究では,Long Short-Term Memory(LSTM)ネットワーク,Autoregressive Integrated Integrated Average(ARIMA),Linear Regression(線形回帰)など,従来のベースラインに対する時系列基礎モデル(TimesFM)の性能を評価する。 人口統計学的に多様性のある6州を対象に行った実験では、TimesFMはテストケースの86.67%で最低値のMean Squared Error(MSE)を達成している。 これらの知見は、広範囲なタスク固有の微調整を必要とせず、人口分析を強化し、積極的な政策介入を通知する事前学習基盤モデルの可能性を強調した。

関連論文リスト

• MF-LLM: Simulating Population Decision Dynamics via a Mean-Field Large Language Model Framework [53.82097200295448]
  MF-LLM(Mean-Field LLM)は,まず平均場理論を社会シミュレーションに取り入れる。 MF-LLMは反復過程を通じて個人と人口間の双方向相互作用をモデル化する。 IB-Tuneは、Information Bottleneckの原理にインスパイアされた、新しい微調整手法である。
  論文  参考訳（メタデータ） (2025-04-30T12:41:51Z)
• Human Preferences in Large Language Model Latent Space: A Technical Analysis on the Reliability of Synthetic Data in Voting Outcome Prediction [5.774786149181393]
  大規模言語モデル(LLM)における人口統計特性と即時変動が潜在世論マッピングに与える影響を解析する。 LLMが生成したデータは、実世界の人間の反応で観測された分散を再現できないことがわかった。 政治分野では、ペルソナ・ツー・パーティのマッピングは限定的な分化を示しており、結果として、調査データに見られる意見の微妙な分布に欠ける合成データとなる。
  論文  参考訳（メタデータ） (2025-02-22T16:25:33Z)
• Specializing Large Language Models to Simulate Survey Response Distributions for Global Populations [49.908708778200115]
  我々は,調査応答分布をシミュレートする大規模言語モデル (LLM) を最初に開発した。 テストベッドとして、我々は2つの世界文化調査の国レベルの結果を使用します。 予測された応答分布と実際の応答分布のばらつきを最小限に抑えるために, ファースト・ツーケン確率に基づく微調整法を提案する。
  論文  参考訳（メタデータ） (2025-02-10T21:59:27Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Using a Local Surrogate Model to Interpret Temporal Shifts in Global Annual Data [5.669106489320257]
  本稿では、グローバルソースの年次データにおける経年変化を説明することに焦点を当てる。 我が国では、国民の幸福指数、経済自由度、人口指標に光を当てるために、LIME(Local Interpretable Model-Agnostic Explanations)を採用している。
  論文  参考訳（メタデータ） (2024-04-18T03:17:45Z)
• A fairness assessment of mobility-based COVID-19 case prediction models [0.0]
  予測モデルのトレーニングに使用されるモビリティデータのバイアスが、特定の人口集団に対して不当に精度の低い予測に繋がる可能性があるという仮説を検証した。 特に、モデルは大きく、高度に教育され、富裕な若者、都市、非黒人が支配する郡を好む傾向にある。
  論文  参考訳（メタデータ） (2022-10-08T03:43:51Z)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)
• Aggregate Learning for Mixed Frequency Data [0.0]
  本研究では,小規模地域の経済指標をリアルタイムに予測する混合時間集合学習モデルを提案する。 提案モデルでは, 労働市場状態の地域的不均一性を予測し, 急速に変化する経済状況を予測する。 このモデルは様々なタスク、特に経済分析に適用できる。
  論文  参考訳（メタデータ） (2021-05-20T08:12:43Z)
• Predicting United States policy outcomes with Random Forests [0.0]
  20年間の政府の立法成果と富裕層、一般人口、多様な利害団体の政策選好は、ギレンズ、ペイジらによってキュレーションされ分析された詳細なデータセットで収集された。 その結果,富裕層の嗜好は政策の結果と強く相関することがわかったが,一般住民の嗜好は富裕層の嗜好と結びついてはいないことがわかった。 本研究は,それぞれ予測と推測の2つの主要な知見を提示する。
  論文  参考訳（メタデータ） (2020-08-02T18:06:57Z)

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。