論文の概要: Automated univariate time series forecasting with regression trees
- arxiv url: http://arxiv.org/abs/2602.00077v1
- Date: Wed, 21 Jan 2026 09:55:15 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-02-08 13:04:11.250604
- Title: Automated univariate time series forecasting with regression trees
- Title（参考訳）: 回帰木を用いた自動単変量時系列予測
- Authors: Francisco Martínez, María P. Frías,
- Abstract要約: 対処すべき重要な側面は、自己回帰的アプローチの使用、自己回帰的特徴の選択方法、トレンドシリーズへの対処方法、季節的行動への対処方法である。
実験結果から,指数的滑らか化やARIMAなどの統計モデルに匹敵する予測精度が得られた。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: This paper describes a methodology for automated univariate time series forecasting using regression trees and their ensembles: bagging and random forests. The key aspects that are addressed are: the use of an autoregressive approach and recursive forecasts, how to select the autoregressive features, how to deal with trending series and how to cope with seasonal behavior. Experimental results show a forecast accuracy comparable with well-established statistical models such as exponential smoothing or ARIMA. Furthermore, a publicly available software implementing all the proposed strategies has been developed and is described in the paper.
- Abstract（参考訳）: 本稿では,レグレッションツリーとそのアンサンブルを用いた自動単変量時系列予測手法について述べる。
対処すべき重要な側面は、自己回帰的アプローチと再帰的予測の使用、自己回帰的特徴の選択方法、トレンドシリーズへの対処方法、季節的行動への対処方法である。
実験結果から,指数的滑らか化やARIMAなどの統計モデルに匹敵する予測精度が得られた。
さらに,提案した戦略をすべて実装した公開ソフトウェアが開発され,論文に記載されている。
関連論文リスト
- Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。
本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-18T21:14:07Z) - Bayesian Models for Joint Selection of Features and Auto-Regressive Lags: Theory and Applications in Environmental and Financial Forecasting [0.9208007322096533]
自動相関誤差を伴う線形回帰における変数選択のためのベイズ的フレームワークを開発する。
本フレームワークは,MSPEの低減,真のモデル成分同定の改善,自動相関ノイズとの整合性の向上を実現している。
既存の手法と比較して,本フレームワークはより低いMSPEを実現し,真のモデル成分の同定が向上し,自動相関ノイズとの整合性が向上する。
論文 参考訳（メタデータ） (2025-08-12T18:44:36Z) - Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。
本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。
我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
論文 参考訳（メタデータ） (2025-05-21T07:16:44Z) - Continuous Ensemble Weather Forecasting with Diffusion models [10.730406954385927]
連続アンサンブル予測は拡散モデルにおけるアンサンブル予測をサンプリングするための新しいフレキシブルな手法である。
時間的に一貫したアンサンブル軌道を、自動回帰ステップなしで完全に並列に生成することができる。
本手法は, 確率特性のよいグローバル気象予報において, 競争力のある結果が得られることを示す。
論文 参考訳（メタデータ） (2024-10-07T18:51:23Z) - Deep Non-Parametric Time Series Forecaster [19.800783133682955]
提案手法は, 予測分布のパラメトリック形式を仮定せず, 学習可能な戦略に従って実験分布からサンプリングして予測を生成する。
提案手法のグローバルバージョンを開発し,複数の時系列にまたがる情報を活用することで,サンプリング戦略を自動的に学習する。
論文 参考訳（メタデータ） (2023-12-22T12:46:30Z) - Performative Time-Series Forecasting [64.03865043422597]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - Distributional Gradient Boosting Machines [77.34726150561087]
私たちのフレームワークはXGBoostとLightGBMをベースにしています。
我々は,このフレームワークが最先端の予測精度を実現することを示す。
論文 参考訳（メタデータ） (2022-04-02T06:32:19Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z)
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。