論文の概要: Asymmetric Peak-Aware Loss for Peak-Critical Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2607.14871v1
- Date: Thu, 16 Jul 2026 11:44:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:33.084676
- Title: Asymmetric Peak-Aware Loss for Peak-Critical Time Series Forecasting
- Title（参考訳）: ピーククリティカル時系列予測のための非対称ピーク認識損失
- Abstract要約: 群衆需要予測などの運用時系列予測アプリケーションでは,過大予測よりも過大予測に関連するリスクが著しく高い。
Asymmetric Peak-Aware Loss (APAL) は、予測下降をより過度に罰し、予測ウィンドウ内のピーク領域のトレーニング重量を増加させるモデルに依存しない目的である。
APALは、制御可能なトレードオフを集約エラーで公開しながら、テール精度とピーク予測品質を改善し、ピーク予測失敗が主な運用上の問題である場合に、実用的な解決策となる。
- 参考スコア（独自算出の注目度）: 1.7126708168238123
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In many operational time-series forecasting applications, such as crowd demand forecasting, the risk related to under-prediction is substantially higher than that of over-prediction. Accurate prediction of rare demand spikes plays a critical role in downstream tasks. Yet most time-series forecasters are trained with symmetric objectives (e.g., MSE, MAE) and evaluated primarily on aggregate error, which can mask failures in extreme-values and peak-timing predictions. We introduce Asymmetric Peak-Aware Loss (APAL), a simple, model-agnostic objective that (i) penalizes under-predictions more heavily and (ii) increases the training weight of peak regions within each forecast window. We further propose a peak-critical evaluation protocol that complements MAE/MSE with channel-wise tail error (Top-10% and Top-1%) and peak metrics (precision, recall, F1 under timing tolerance, and peak timing error). We evaluate APAL on long-horizon multivariate forecasting across five state-of-the-art backbones, with a focus on pedestrian demand forecasting using (i) a production-ready subset of the City of Melbourne pedestrian hourly count dataset and (ii) a beach visitor count dataset. The generality of the loss function for time-series forecasting is tested on additional benchmarks. Across peak-critical datasets and settings, APAL improves tail accuracy and peak-prediction quality while exposing a controllable trade-off with aggregate error, making it a practical solution when peak-prediction failures are the dominant operational concern.
- Abstract（参考訳）: 群衆需要予測など多くの運用時系列予測アプリケーションでは、過大予測よりも過大予測に関連するリスクが著しく高い。
下流のタスクでは、稀な需要急増の正確な予測が重要な役割を果たす。
しかし、ほとんどの時系列予測器は対称目的(例えば、MSE、MAE)で訓練されており、主に集合誤差に基づいて評価される。
Asymmetric Peak-Aware Loss (APAL)を導入する。
(i)過大な予測を厳しく罰する
(ii)各予測ウィンドウ内のピーク領域のトレーニング重量を増加させる。
さらに,MAE/MSEをチャネルワイドテールエラー(Top-10%,Top-1%)とピークメトリクス(精度,リコール,F1のタイミング耐性,ピークタイミング誤差)で補完するピーククリティカル評価プロトコルを提案する。
我々は,5つの最先端バックボーンにおける長期多変量予測におけるAPALの評価を行い,歩行者需要予測に着目した。
一 メルボルン市歩行者時数データセット及び生産可読サブセット
(ii)ビーチ訪問者数データセット。
時系列予測における損失関数の一般性は、追加のベンチマークで検証される。
ピーククリティカルデータセットと設定全体にわたって、APALは、制御可能なトレードオフを集約エラーで公開しながら、テール精度とピーク予測品質を改善し、ピーク予測障害が主な運用上の懸念事項である場合に、実用的な解決策となる。
関連論文リスト
- Forecast Collapse in Time-Series Foundation Models [35.06550187645666]
時系列基礎モデル(TSFM)、12のディープラーニング予測モデル、97の公開ベンチマーク構成の予測崩壊について検討した。
予測可能性の低さは校正点予測の振幅を制限しているのに対し、シリーズごとの目標はクロスシリーズ構造を未同定のまま残している。
このトレードオフに対応するために、キャリブレーションとランキングのバランスをとるシンプルな目的であるCalibRankを紹介します。
論文 参考訳（メタデータ） (2026-08-14T09:08:02Z) - Improving the sharpness in neural network-based parametric post-processing of ensemble forecasts [0.0]
提案手法が欧州中距離気象予報センターの2m温度アンサンブル予測に与える影響を示す。
ケーススタディでは、名目中央予測間隔の幅において、相当な相対的な減少(8.2%-12.5%ドル)が確認されている。
確率予測の平均CRPSや予測平均のRMSEには劣化はない。
論文 参考訳（メタデータ） (2026-06-07T11:57:09Z) - Quantifying the Risk-Return Tradeoff in Forecasting [0.0]
平均予測精度は予測信頼性と同じではない。
私は、ベンチマークに対する予測損失差をリターンシリーズとして扱います。
次に、シャープ比、ソルティーノ比、オメガ比、ドローダウンベースの指標など、金融のリスク調整されたパフォーマンス指標を用いて、これらのリターンを評価する。
論文 参考訳（メタデータ） (2026-05-10T19:21:12Z) - LEAF: A Living Benchmark for Event-Augmented Forecasting [78.94019460534442]
LEAFは、イベント拡張予測タスクの最初の生きたベンチマークである。
我々は最先端のプロプライエタリかつオープンウェイトなLLMを評価した。
LLMは、より予測し易いと自信を持って判断し、より優れたパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-05-09T03:17:59Z) - The Forecast Critic: Leveraging Large Language Models for Poor Forecast Identification [74.64864354503204]
本稿では,Large Language Models (LLM) を利用した予測自動監視システムであるThe Forecast Criticを提案する。
LLMの時系列予測品質を評価する能力を評価する。
合成および実世界の予測データを含む3つの実験を行った。
論文 参考訳（メタデータ） (2025-12-12T21:59:53Z) - Accuracy Law for the Future of Deep Time Series Forecasting [65.46625911002202]
時系列予測は、部分的に観測可能で不確実な性質のため、本質的にゼロでない誤差の低い境界に直面する。
本稿では、ディープ時系列予測の性能上限をどうやって推定するかという根本的な問題に焦点をあてる。
新たに訓練された2,800以上の深層予測器の厳密な統計的テストに基づいて、深部モデルの最小予測誤差とウィンドウワイズ級数パターンの複雑さとの間に有意な指数関数的関係を見出した。
論文 参考訳（メタデータ） (2025-10-03T05:18:47Z) - HoTPP Benchmark: Are We Good at the Long Horizon Events Forecasting? [1.3654846342364308]
長軸予測を厳格に評価するために設計された最初のベンチマークである HoTPP を紹介する。
我々は,広く使用されている評価指標の欠点を特定し,理論的に基礎付けられたT-mAP尺度を提案し,人気モデルの効率的な実装を提供する。
我々は,自己回帰と強度に基づく損失が予測品質に与える影響を分析し,今後の研究に向けた有望な方向性を概説する。
論文 参考訳（メタデータ） (2024-06-20T14:09:00Z) - Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
本稿では,長期時系列予測のための制約付き学習手法を提案する。
提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-02-14T18:20:44Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - 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)
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。