論文の概要: Intermittent time series forecasting: local vs global models

• arxiv url: http://arxiv.org/abs/2601.14031v1
• Date: Tue, 20 Jan 2026 14:53:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.361011
• Title: Intermittent time series forecasting: local vs global models
• Title（参考訳）: 間欠的時系列予測:局所モデルとグローバルモデル
• Authors: Stefano Damato, Nicolò Rubattu, Dario Azzimonti, Giorgio Corani,
• Abstract要約: かなりの量のゼロの存在によって特徴づけられる断続的な時系列は、サプライチェーンにおける在庫のかなりの割合を占める。 在庫水準の計画には確率的予測が必要である。 間欠的な時系列は通常、各時系列で個別に訓練されるローカルモデルを用いて予測される。
• 参考スコア（独自算出の注目度）: 0.13599496385950985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intermittent time series, characterised by the presence of a significant amount of zeros, constitute a large percentage of inventory items in supply chain. Probabilistic forecasts are needed to plan the inventory levels; the predictive distribution should cover non-negative values, have a mass in zero and a long upper tail. Intermittent time series are commonly forecast using local models, which are trained individually on each time series. In the last years global models, which are trained on a large collection of time series, have become popular for time series forecasting. Global models are often based on neural networks. However, they have not yet been exhaustively tested on intermittent time series. We carry out the first study comparing state-of-the-art local (iETS, TweedieGP) and global models (D-Linear, DeepAR, Transformers) on intermittent time series. For neural networks models we consider three different distribution heads suitable for intermittent time series: negative binomial, hurdle-shifted negative binomial and Tweedie. We use, for the first time, the last two distribution heads with neural networks. We perform experiments on five large datasets comprising more than 40'000 real-world time series. Among neural networks D-Linear provides best accuracy; it also consistently outperforms the local models. Moreover, it has also low computational requirements. Transformers-based architectures are instead much more computationally demanding and less accurate. Among the distribution heads, the Tweedie provides the best estimates of the highest quantiles, while the negative binomial offers overall the best performance.
• Abstract（参考訳）: 間欠的な時系列は、かなりの量のゼロの存在によって特徴づけられ、サプライチェーンにおける在庫のかなりの割合を構成している。 在庫レベルを計画するには確率的予測が必要であり、予測分布は非負の値をカバーし、質量はゼロで長い上尾を持つべきである。 断続時系列は通常、各時系列で個別に訓練されるローカルモデルを用いて予測される。 近年では、時系列の膨大なコレクションで訓練されたグローバルモデルが、時系列予測に人気を博している。 グローバルモデルはしばしばニューラルネットワークに基づいている。 しかし、断続的な時系列ではまだ徹底的にテストされていない。 我々は,最先端ローカル(iETS,TweedieGP)とグローバルモデル(D-Linear,DeepAR,Transformers)を断続時系列で比較した最初の研究を行った。 ニューラルネットワークモデルでは、間欠的時系列に適した3つの異なる分布ヘッド(負の双項、ハードルシフトの負の双項、およびツイーディー)を考える。 私たちは、ニューラルネットワークを使った最後の2つのディストリビューションヘッドを初めて使用します。 実世界40万回以上の時系列からなる5つの大データセットで実験を行った。 ニューラルネットワークの中では、D-Linearが最も精度が高い。 さらに、計算能力も低い。 トランスフォーマーベースのアーキテクチャは、より計算的に要求され、正確ではない。 分布ヘッドのうち、ツイーディは最も高い量子量の推定値を提供するが、負の双項は全体として最高の性能を提供する。

関連論文リスト

• Forecasting intermittent time series with Gaussian Processes and Tweedie likelihood [0.14856472820492364]
  我々は、断続時系列の確率的予測のための潜在関数としてガウス過程(GP)を採用する。 我々は、潜在GP変数と、負二項分布(NegBinGP)とツイーディ分布(TweedieGP)の2種類の予測分布を結合する。
  論文  参考訳（メタデータ） (2025-02-26T12:31:56Z)
• Sundial: A Family of Highly Capable Time Series Foundation Models [47.27032162475962]
  Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。 我々のモデルは、事前の分布を指定せずに事前訓練されており、複数の確率予測を生成することができる。 Sundialは、ジャスト・イン・タイムの推論速度で、ポイントと確率予測ベンチマークの両方で最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-02-02T14:52:50Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
  本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。 事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。 多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
  論文  参考訳（メタデータ） (2024-02-04T06:55:55Z)
• Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting [54.04430089029033]
  本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。 Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。 このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-12T12:29:32Z)
• Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
  本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。 その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-20T22:25:47Z)

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。