論文の概要: Beyond Point Forecasts: A Survey on Probabilistic Forecasting for Time Series and Spatiotemporal Data

• arxiv url: http://arxiv.org/abs/2609.13345v1
• Date: Fri, 11 Sep 2026 13:26:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.230361
• Title: Beyond Point Forecasts: A Survey on Probabilistic Forecasting for Time Series and Spatiotemporal Data
• Title（参考訳）: 点予測を超えて:時系列と時空間データの確率予測に関する調査
• Abstract要約: 本調査は,予測パイプラインに不確実性が導入される場所と状況に応じて確率予測手法を整理し,統一的な視点を整備する。 我々の分類学は, 表現的・非分布的キャリブレーションを含むモデル非依存的アプローチと, ベイズモデル, パラメトリック予測分布, 分布回帰, 現代生成モデルにまたがるモデル内在的アプローチを結びつけ, 時系列基盤モデルの出現する役割について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Probabilistic forecasting is central to decision-making under uncertainty, yet its methodological landscape has become increasingly fragmented across temporal and spatiotemporal forecasting, statistical modeling, machine learning, and deep generative modeling. This survey develops a unified perspective by organizing probabilistic forecasting methods according to where and how uncertainty is introduced into the forecasting pipeline. Our taxonomy connects model-agnostic approaches including ensembles and distribution-free calibration, with model-intrinsic approaches spanning Bayesian modeling, parametric predictive distributions, distributional regression, and modern generative models, and further examines the emerging role of time series foundation models. Beyond methodological synthesis, we identify the assumptions, computational demands, and forms of uncertainty represented by different paradigms, and translate these distinctions into data-driven and domain-specific guidance for method selection. We complement the survey with a cross-paradigm empirical study on univariate, multivariate, and spatiotemporal forecasting tasks. The results reveal that no single uncertainty-quantification paradigm dominates across settings. Calibration, sharpness, predictive accuracy, and computational efficiency can lead to substantially different model preferences, while expressive generative models and zero-shot foundation models exhibit markedly different accuracy-efficiency trade-offs. Lastly, we identify unresolved challenges surrounding uncertainty in evolving dependency structures, physics-informed predictive distributions, forecasting extreme events, handling count-valued, directional, and continuous-time series, and the development of unified software resources. Our survey provides both a conceptual framework and a practical roadmap for probabilistic forecasting research.
• Abstract（参考訳）: 確率的予測は不確実性の下での意思決定の中心であるが、その方法論的展望は、時間的および時空間的予測、統計モデリング、機械学習、深層生成モデリングにまたがって断片化されつつある。 本調査は,予測パイプラインに不確実性が導入される場所と状況に応じて確率予測手法を整理し,統一的な視点を整備する。 我々の分類学は、アンサンブルや分布自由キャリブレーションを含むモデルに依存しないアプローチと、ベイズモデル、パラメトリック予測分布、分布回帰、現代の生成モデルにまたがるモデル固有のアプローチを結びつけ、さらに時系列基盤モデルの出現する役割について検討する。 方法論合成の他に、異なるパラダイムで表される仮定、計算要求、不確実性の形式を特定し、これらの区別を、メソッド選択のためのデータ駆動およびドメイン固有のガイダンスに変換する。 我々は,一変量,多変量,時空間予測タスクに関するクロスパラダイムな実証的研究により,調査を補完する。 その結果, 単一の不確実性量子化パラダイムが, 設定全体にわたって支配的であることが判明した。 キャリブレーション、シャープネス、予測精度、計算効率は、表現的生成モデルとゼロショット基礎モデルとは大きく異なる精度と効率のトレードオフを示す。 最後に,依存関係構造の進化,物理情報による予測分布,極端な事象の予測,カウント値,方向性,連続的な時系列処理,ソフトウェアリソースの統一化など,不確実性に関わる未解決課題を明らかにした。 本調査は,確率予測研究のための概念的枠組みと実践的ロードマップを提供する。

関連論文リスト

• Generative forecasting with joint probability models [2.8367488114717094]
  カオス力学系は初期条件に対して強い感度を示し、しばしば未解決のマルチスケールプロセスを含む。 生成モデルは、可算なシステムの進化よりも分布を学習することで、魅力的な代替手段を提供する。 共同生成モデルにより,短期予測能力の向上,アトラクタ幾何の保存,およびより正確な長距離統計的挙動が得られた。
  論文  参考訳（メタデータ） (2025-12-30T20:00:09Z)
• Analyzing Uncertainty Quantification in Statistical and Deep Learning Models for Probabilistic Electricity Price Forecasting [0.0]
  本研究では,最先端統計・深層学習確率予測モデルにおける不確実性の定量化について検討する。 我々は、ディープ分散ニューラルネットワーク(DDNN)を考察し、それらをアンサンブルアプローチ、モンテカルロ(MC)ドロップアウト、共形予測で強化する。 様々な性能指標から、LEARベースのモデルは確率的予測において良好に機能することがわかった。
  論文  参考訳（メタデータ） (2025-09-23T15:20:03Z)
• Collaborative Deterministic-Probabilistic Forecasting for Diverse Spatiotemporal Systems [16.028948493876126]
  CoSTは最先端のベースラインを25%上回り、計算コストを大幅に削減する。 気候、エネルギー通信、都市システムに対する試行は、最先端のベースラインよりも25%向上している。
  論文  参考訳（メタデータ） (2025-02-16T06:35:26Z)
• 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)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• Learning Mixture Structure on Multi-Source Time Series for Probabilistic Forecasting [4.179947630802189]
  本稿では,異なる予測関係を学習するためのニューラルネットワーク構造に基づく確率モデルを提案する。 対象変数の異なる分布に適用可能な予測および不確実性定量化手法を提案する。
  論文  参考訳（メタデータ） (2023-02-22T00:51:44Z)
• 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)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• 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。