論文の概要: Beyond Accuracy: A Stability-Aware Metric for Multi-Horizon Forecasting

• arxiv url: http://arxiv.org/abs/2601.10863v1
• Date: Thu, 15 Jan 2026 21:26:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.294148
• Title: Beyond Accuracy: A Stability-Aware Metric for Multi-Horizon Forecasting
• Title（参考訳）: Beyond Accuracy: マルチ水平予測のための安定性を意識したメトリクス
• Authors: Chutian Ma, Grigorii Pomazkin, Giacinto Paolo Saggese, Paul Smith,
• Abstract要約: 本稿では,確率的マルチホライゾン予測の質を評価するための予測精度とコヒーレンススコア(略してACスコア)を紹介する。 その結果,従来の最大推定値よりも大幅に改善した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional time series forecasting methods optimize for accuracy alone. This objective neglects temporal consistency, in other words, how consistently a model predicts the same future event as the forecast origin changes. We introduce the forecast accuracy and coherence score (forecast AC score for short) for measuring the quality of probabilistic multi-horizon forecasts in a way that accounts for both multi-horizon accuracy and stability. Our score additionally provides for user-specified weights to balance accuracy and consistency requirements. As an example application, we implement the score as a differentiable objective function for training seasonal ARIMA models and evaluate it on the M4 Hourly benchmark dataset. Results demonstrate substantial improvements over traditional maximum likelihood estimation. Our AC-optimized models achieve a 75\% reduction in forecast volatility for the same target timestamps while maintaining comparable or improved point forecast accuracy.
• Abstract（参考訳）: 従来の時系列予測手法は精度のみを最適化する。 この目的は、時間的一貫性を無視し、言い換えれば、モデルが予測の原点が変わるのと同じ未来の事象をいかに一貫して予測するかを無視する。 予測精度とコヒーレンススコア(略してACスコア)を導入し,確率的マルチ水平予測の品質を多水平精度と安定性の両方を考慮に入れた。 私たちのスコアは、正確性と一貫性の要件のバランスをとるために、ユーザ指定の重み付けも提供します。 実例として,季節的ARIMAモデルを訓練するための微分対象関数としてスコアを実装し,M4 Hourlyベンチマークデータセットで評価する。 その結果,従来の最大推定値よりも大幅に改善した。 我々の交流最適化モデルは、同じ目標タイムスタンプに対する予測ボラティリティを75%低減し、同等または改善された点予測精度を維持しながら達成する。

関連論文リスト

• Measuring Time Series Forecast Stability for Demand Planning [0.0]
  時系列予測はサプライチェーンの需要計画を作成するための重要な第一歩だ。 プロダクションシステムでは、要求プランナーは漸進的な精度の改善よりも一貫性と安定性を重んじることが多い。 アンサンブルモデルでは,予測精度を著しく劣化させる(あるいは改善する)ことなく,安定性が向上することを示す。
  論文  参考訳（メタデータ） (2025-08-13T04:21:37Z)
• Time Series Forecastability Measures [4.136441456697068]
  本稿では,モデル開発に先立って時系列の予測可能性を定量化する2つの指標を提案する。 スペクトル予測可能性スコアは、時系列における周波数成分の強度と規則性を評価する。 Lyapunov指数は、データを生成するシステムのカオスと安定性を定量化する。
  論文  参考訳（メタデータ） (2025-07-17T22:23:51Z)
• Movement-Prediction-Adjusted Naive Forecast [6.935130578959931]
  MPANF (Motion-Prediction-Adjusted Naive forecast) は, 偏差ベースラインを超えて点予測を改善するために設計されている。 MPANFは、信頼できる動き予測が利用できる場合に有効な第2段階の手法として機能する。
  論文  参考訳（メタデータ） (2024-06-20T16:32:18Z)
• 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)
• 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)
• Forecast Hedging and Calibration [8.858351266850544]
  我々は予測ヘッジの概念を開発し、予測されたトラック記録が改善できることを保証するために予測を選択する。 これにより、全てのキャリブレーション結果が同じ単純な引数で得られ、一方、それらが使用する予測ヘッジツールによって区別される。 その他のコントリビューションとしては、継続的なキャリブレーションの定義の改善、長期にわたってナッシュリリアをもたらすゲームダイナミクス、既知のすべての手順よりも単純なバイナリイベントの予測手順などがある。
  論文  参考訳（メタデータ） (2022-10-13T16:48:25Z)
• 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)

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。