論文の概要: Stabilizing distribution-free probabilistic forecasts

• arxiv url: http://arxiv.org/abs/2605.28531v1
• Date: Wed, 27 May 2026 14:25:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.113097
• Title: Stabilizing distribution-free probabilistic forecasts
• Title（参考訳）: 分布自由確率予測の安定化
• Authors: Jente Van Belle, Honglin Wen, Wouter Verbeke, Pierre Pinson,
• Abstract要約: 我々は、予測品質とともに予測安定性を、分布のない確率的時系列予測モデルのトレーニングに統合する。 本稿では,ニューラルネットワークによってパラメータ化された回帰スプラインを用いて,安定化された条件付き量子関数を生成する手法を提案する。 統計的特性が異なる2つのデータセットに対して提案手法を実験的に評価し,予測品質を著しく損なうことなく,予測不安定性を効果的に低減できることを示す。
• 参考スコア（独自算出の注目度）: 5.716454975957337
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-step-ahead forecasts are often updated as new observations become available, since shorter forecast horizons typically improve forecast quality. However, such improvements come at the cost of forecast instability, i.e., variability in forecasts for the same target period. This instability can trigger costly changes to plans formulated based on the forecasts and may erode trust in the forecasting system. In this work, we integrate forecast stability alongside forecast quality into the training of distribution-free probabilistic time-series forecasting models, allowing us to control this trade-off. We propose a method for generating stabilized forecasted conditional quantile functions using regression splines parameterized by a neural network. This approach enables joint optimization of quality and stability, as it allows us to directly penalize dissimilarities arising from forecast updates. Furthermore, it allows assigning varying importance to stabilizing different parts of the forecast distributions (e.g., central parts vs. tails) to focus on the parts most relevant for the intended downstream use (e.g., the upper tail for inventory management). We empirically evaluate the proposed method on two datasets with different statistical properties and show that it can effectively reduce forecast instability without a substantial loss in forecast quality, and that it can target stabilization effort toward specific parts of the forecast distributions.
• Abstract（参考訳）: 予測基準が短くなれば予測品質が向上するので、新しい観測が利用可能になると、マルチステップの予測が更新されることが多い。 しかし、このような改善は、予測不安定(すなわち、同じ目標期間の予測の変動)のコストがかかる。 この不安定性は、予測に基づいて定式化された計画にコストがかかる変更を引き起こし、予測システムに対する信頼を損なう可能性がある。 本研究では,予測安定性と予測品質を併用して,分布自由確率的時系列予測モデルのトレーニングを行い,このトレードオフを制御できるようにする。 本稿では,ニューラルネットワークによってパラメータ化された回帰スプラインを用いて,安定化された条件付き量子関数を生成する手法を提案する。 このアプローチは,予測更新から生じる相違を直接ペナルティ化するので,品質と安定性を共同で最適化することができる。 さらに、予測分布の異なる部分(例えば、中央部と尾部)を安定化させ、意図された下流利用に最も関係のある部分(例えば、在庫管理の上位尾部)に集中させることで、様々な重要性を割り当てることができる。 統計的特性の異なる2つのデータセットに対して提案手法を実験的に評価し,予測品質を著しく損なうことなく予測不安定性を効果的に低減し,予測分布の特定部分に対する安定化の取り組みを目標とすることができることを示す。

関連論文リスト

• Conditional Forecasts and Proper Scoring Rules for Reliable and Accurate Performative Predictions [1.1087735229999816]
  結果から分離した共変量に対する条件付け予測が,目標分布予測不変量となることを示す。 また, (i) 決定論的条件下では, 予測が分離された場合, 正しい予測とインセンティブに適合する予測が適用可能であること, (ii) 予測と対象変数の帰納分布の偏りの未偏り推定によるスコアが正しい予測をもたらすこと, の2つの解を同定した。 本結果は,従来の予測評価の基本的限界を明らかにし,信頼性と精度の高い予測を行うための新しいツールを提供する。
  論文  参考訳（メタデータ） (2025-10-24T10:59:21Z)
• 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)
• Using dynamic loss weighting to boost improvements in forecast stability [0.9332308328407303]
  ローリング起点予測不安定性(ローリング起点予測不安定性)とは、予測の更新によって生じる特定の期間の予測における変動をいう。 その結果, 複合損失関数を最小化することにより, 精度を損なうことなく, より安定した予測が得られることがわかった。 既存の動的損失重み付け手法は、この目的を達成することができ、なぜそうなるのかについての洞察を提供する。
  論文  参考訳（メタデータ） (2024-09-26T20:21:46Z)
• 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)
• 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)
• Probabilistic Symmetry for Multi-Agent Dynamics [18.94585103009698]
  本稿では,多エージェント軌道の確率論的予測のための新しい動的モデルである確率的同変連続共進化(PECCO)を提案する。 PECCOは、非同変ベースラインに比べて精度とキャリブレーションが大幅に向上した。
  論文  参考訳（メタデータ） (2022-05-04T07:51:08Z)
• 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)

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。