論文の概要: Embracing Heteroscedasticity for Probabilistic Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2603.24254v1
• Date: Wed, 25 Mar 2026 12:48:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.293871
• Title: Embracing Heteroscedasticity for Probabilistic Time Series Forecasting
• Title（参考訳）: 確率的時系列予測における不整合性の導入
• Authors: Yijun Wang, Qiyuan Zhuang, Xiu-Shen Wei,
• Abstract要約: Location-Scale Gaussian VAE (LSG-VAE) は、予測平均と時間依存分散の両方を明示的にパラメータ化する、単純だが効果的なフレームワークである。 LSG-VAEは、リアルタイムデプロイメントに適した高い計算効率を維持しながら、15の強力な生成ベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 22.43559255963294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Probabilistic time series forecasting (PTSF) aims to model the full predictive distribution of future observations, enabling both accurate forecasting and principled uncertainty quantification. A central requirement of PTSF is to embrace heteroscedasticity, as real-world time series exhibit time-varying conditional variances induced by nonstationary dynamics, regime changes, and evolving external conditions. However, most existing non-autoregressive generative approaches to PTSF, such as TimeVAE and $K^2$VAE, rely on MSE-based training objectives that implicitly impose a homoscedastic assumption, thereby fundamentally limiting their ability to model temporal heteroscedasticity. To address this limitation, we propose the Location-Scale Gaussian VAE (LSG-VAE), a simple but effective framework that explicitly parameterizes both the predictive mean and time-dependent variance through a location-scale likelihood formulation. This design enables LSG-VAE to faithfully capture heteroscedastic aleatoric uncertainty and introduces an adaptive attenuation mechanism that automatically down-weights highly volatile observations during training, leading to improved robustness in trend prediction. Extensive experiments on nine benchmark datasets demonstrate that LSG-VAE consistently outperforms fifteen strong generative baselines while maintaining high computational efficiency suitable for real-time deployment.
• Abstract（参考訳）: 確率的時系列予測(PTSF)は、将来の観測の完全な予測分布をモデル化することを目的としており、正確な予測と原理化された不確実性定量化の両方を可能にする。 PTSFの中心的な要件は、非定常力学、状態変化、進化する外部条件によって引き起こされる時間変化条件の分散を示す実世界の時系列である。 しかし、TimeVAE や $K^2$VAE のようなPTSFに対する既存の非自己回帰的生成アプローチは、ホモ代数学的な仮定を暗黙的に課す MSE ベースの訓練目標に依存しており、したがって時間的ヘテロ代数学性をモデル化する能力を根本的に制限している。 この制限に対処するために,位置スケールガウスVAE (LSG-VAE) を提案する。 この設計により、LSG-VAEは不均質なアレタリック不確かさを忠実に捉えることができ、適応的な減衰機構を導入し、トレーニング中に高い揮発性観測を自動的に下降させ、トレンド予測における堅牢性を向上させることができる。 9つのベンチマークデータセットに対する大規模な実験により、LSG-VAEは、リアルタイムデプロイメントに適した高い計算効率を維持しながら、15の強力な生成ベースラインを一貫して上回ることを示した。

関連論文リスト

• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• GARCH-FIS: A Hybrid Forecasting Model with Dynamic Volatility-Driven Parameter Adaptation [5.461112265573671]
  本稿では、ファジィ推論システム(FIS)と一般化自己回帰ヘテロスケダスティック性(GARCH)モデルを統合し、非線形力学と時間変動ボラティリティを併用する。 提案したGARCH-FISモデルは、予測精度と安定性の点でベンチマークモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2026-03-16T03:50:00Z)
• To See Far, Look Close: Evolutionary Forecasting for Long-term Time Series [27.499122225390092]
  DF(Direct Forecasting)パラダイムは、モデルに1回のフォワードパスで将来の地平線全体を予測させることによって、長期的な時系列予測(LTSF)を支配している。 本研究では,短地平線上で訓練されたモデルと提案した進化予測(EF)パラダイムを組み合わせることで,非直観的最適化の異常を明らかにする。
  論文  参考訳（メタデータ） (2026-01-30T16:02:27Z)
• SimDiff: Simpler Yet Better Diffusion Model for Time Series Point Forecasting [8.141505251306622]
  拡散モデルは近年,時系列予測において有望であることが示されている。 それらはしばしば最先端のポイント推定性能を達成するのに失敗する。 ポイント推定のための一段階のエンドツーエンドフレームワークであるSimDiffを提案する。
  論文  参考訳（メタデータ） (2025-11-24T16:09:55Z)
• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• ScenGAN: Attention-Intensive Generative Model for Uncertainty-Aware Renewable Scenario Forecasting [11.600987173982107]
  本稿では,再生可能エネルギーとディープラーニングの領域における不確実性について考察する。 不確実性認識モデルは、再生可能シナリオ予測のために慎重に設計されている。 処理層における気象情報、予報、歴史的軌跡の統合により、相乗的予測能力が向上する。
  論文  参考訳（メタデータ） (2025-09-21T15:18:51Z)
• 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)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• 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。