論文の概要: Commencing-Student Enrolment Forecasting Under Data Sparsity with Time Series Foundation Models

• arxiv url: http://arxiv.org/abs/2602.12120v1
• Date: Thu, 12 Feb 2026 16:10:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.917383
• Title: Commencing-Student Enrolment Forecasting Under Data Sparsity with Time Series Foundation Models
• Title（参考訳）: 時系列ファンデーションモデルによるデータスポーザリティを考慮したコンメンジェンス・スチューデント・エンロメント予測
• Authors: Jittarin Jetwiriyanon, Teo Susnjak, Surangika Ranathunga,
• Abstract要約: 大学は財政的なプレッシャーを増し、義務化の正確な予測に頼っている。 最近のTSFMでは、ゼロショットの事前予測が提供され、年次、データ不足の機関予測で大きな伸びをみせている。 我々は、ゼロショット設定で複数のTSFMファミリーをベンチマークし、コンパクトでリークセーフな共変量集合をテストし、IOCI(Institutional Operating Conditions Index)を導入する。 厳格なビンテージアライメントを備えた拡張ウィンドウバックテストを使用することで、TSFMは機関固有のトレーニングなしで古典的なベンチマークと同等に動作する。
• 参考スコア（独自算出の注目度）: 3.6962336868649213
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Many universities face increasing financial pressure and rely on accurate forecasts of commencing enrolments. However, enrolment forecasting in higher education is often data-sparse; annual series are short and affected by reporting changes and regime shifts. Popular classical approaches can be unreliable, as parameter estimation and model selection are unstable with short samples, and structural breaks degrade extrapolation. Recently, TSFMs have provided zero-shot priors, delivering strong gains in annual, data-sparse institutional forecasting under leakage-disciplined covariate construction. We benchmark multiple TSFM families in a zero-shot setting and test a compact, leakage-safe covariate set and introduce the Institutional Operating Conditions Index (IOCI), a transferable 0-100 regime covariate derived from time-stamped documentary evidence available at each forecast origin, alongside Google Trends demand proxies with stabilising feature engineering. Using an expanding-window backtest with strict vintage alignment, covariate-conditioned TSFMs perform on par with classical benchmarks without institution-specific training, with performance differences varying by cohort and model.
• Abstract（参考訳）: 多くの大学は財政的なプレッシャーに直面しており、実施の正確な予測に依存している。 しかし、高等教育におけるエンロメント予測は、しばしばデータ不足であり、年次報告書は短く、報告の変更や制度変更の影響を受けている。 パラメータ推定とモデル選択は短いサンプルで不安定であり、構造的破壊は外挿を分解するので、ポピュラーな古典的アプローチは信頼性が低い。 近年、TSFMはゼロショットの先行情報を提供しており、漏洩した共変量構造の下での年次データスパース機関の予測において、強い利益をもたらしている。 我々は、ゼロショット設定で複数のTSFMファミリーをベンチマークし、コンパクトでリークセーフな共変量集合を検証し、機能工学を安定化したGoogle Trends要求プロキシとともに、各予測元で利用可能なタイムスタンプされた証拠から得られた転送可能な0-100レギュレーション共変量体であるIOCI(Institutional Operating Conditions Index)を導入する。 厳密なビンテージアライメントを備えた拡張ウィンドウバックテストを用いて、共変量条件付きTSFMは、制度固有のトレーニングなしで古典的なベンチマークと同等に動作し、コホートとモデルによって性能の違いが変化する。

関連論文リスト

• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• Robust Probabilistic Load Forecasting for a Single Household: A Comparative Study from SARIMA to Transformers on the REFIT Dataset [0.0]
  本稿では,揮発性REFIT家庭データセットを用いた課題に取り組む。 まず、季節計算法を選択するための厳密な比較実験を行うことで、この問題に対処する。 そして、古典的なベースラインから機械学習へと進化するモデル階層を体系的に評価する。 我々の研究結果によると、古典的なモデルはデータの非線形でシステマティックな振る舞いを捉えるのに失敗している。
  論文  参考訳（メタデータ） (2025-11-30T12:05:18Z)
• Synapse: Adaptive Arbitration of Complementary Expertise in Time Series Foundational Models [50.877082340479085]
  時系列基礎モデル (TSFM) の違いが, 様々な予測設定にまたがって, 特定の性能プロファイルを示すかを検討する。 TSFMの新しい調停フレームワークであるSynapseを提案する。 その結果、Synapseは個々のTSFMだけでなく、他の一般的なアンサンブル技術よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-11-07T18:01:51Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• Enhancing Transformer-Based Foundation Models for Time Series Forecasting via Bagging, Boosting and Statistical Ensembles [7.787518725874443]
  時系列基礎モデル(TSFM)は、時系列予測、異常検出、分類、計算のための強力な一般化とゼロショット能力を示している。 本稿では, 統計的およびアンサンブルに基づくエンハンスメント技術を用いて, 頑健さと精度を向上させる手法について検討する。
  論文  参考訳（メタデータ） (2025-08-18T04:06:26Z)
• Battling the Non-stationarity in Time Series Forecasting via Test-time Adaptation [39.7344214193566]
  時系列予測(TSF)に適した先駆的なテスト時間適応フレームワークを提案する。 TSF-TTAに対する提案手法であるTAFASは、事前学習中に学習したコアセマンティック情報を保存しながら、ソース予測器をフレキシブルに適応してテスト分布を継続的にシフトさせる。 部分的に観測された真実とゲートキャリブレーションモジュールの新たな利用により、ソース予測器のプロアクティブ、ロバスト、モデルに依存しない適応が可能となった。
  論文  参考訳（メタデータ） (2025-01-09T04:59:15Z)
• FlexTSF: A Flexible Forecasting Model for Time Series with Variable Regularities [15.799253535795065]
  変動時間正規度を持つ時系列データに特化して設計されたフレキシブルな予測モデルであるFlexTSFを紹介する。 その基盤にはIVP(Initial Value Problems)を活用した継続的パッチモジュールであるIPP Patcherがある。 16のデータセットの実験では、FlexTSFの有効性が示され、古典的な予測シナリオにおいて既存のモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-10-30T16:14:09Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting [0.0]
  本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。 GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。 これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
  論文  参考訳（メタデータ） (2024-02-23T06:09:45Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)

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。