論文の概要: fable.intermittent: benchmarking probabilistic forecasting methods for intermittent time series

• arxiv url: http://arxiv.org/abs/2609.28607v2
• Date: Tue, 29 Sep 2026 18:59:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:25.51153
• Title: fable.intermittent: benchmarking probabilistic forecasting methods for intermittent time series
• Title（参考訳）: fable.intermittent: 断続時系列の確率的予測方法のベンチマーク
• Abstract要約: 間欠級数に対する確率的予測手法を実装した R パッケージである $textbffable.intermittent$ を紹介する。 また、TWEESは、Tweedie予測分布を持つ新しい指数的滑らか化モデルである。 4つのデータセットに対して$textbffable.intermittent$で実装されたメソッドを評価する。
• 参考スコア（独自算出の注目度）: 0.13599496385950985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intermittent time series are common in spare-parts demand and retail sales. Since the cost of forecast errors is typically asymmetric, decisions such as inventory control require the full predictive distribution rather than a point forecast. Many probabilistic forecasting methods have been proposed; their implementations, however, are scattered across different software frameworks, making it difficult to compare them systematically. We introduce $\textbf{fable.intermittent}$, an R package that implements several probabilistic forecasting methods for intermittent series within the $\textbf{fable}$ framework. The package allows several models to be fitted and evaluated on a collection of time series through a single, simple forecasting pipeline. We also introduce TWEES, a new exponential smoothing model with a Tweedie predictive distribution. Fitting TWEES requires repeated evaluation of the computationally demanding Tweedie density. We also release the R package $\textbf{tweedieDistr}$, whose implementation of the Tweedie distribution is substantially faster than the existing one while preserving the same numerical accuracy. We evaluate the methods implemented in $\textbf{fable.intermittent}$ on four datasets, also released in the package.
• Abstract（参考訳）: 断続的な時系列は、予備の需要と小売販売で一般的である。 予測誤差のコストは通常非対称であるため、在庫管理のような決定は点予測よりも完全な予測分布を必要とする。 多くの確率予測手法が提案されているが、その実装は異なるソフトウェアフレームワークに分散しており、体系的に比較することは困難である。 我々は、$\textbf{fable.intermittent}$というRパッケージを紹介します。 このパッケージでは、複数のモデルを単一の単純な予測パイプラインを通じて時系列のコレクションに収めて評価することができる。 また、TWEESは、Tweedie予測分布を持つ新しい指数的平滑化モデルである。 TWEESを適合させるには、計算に要求されるTweedie密度を繰り返し評価する必要がある。 我々はRパッケージ $\textbf{tweedieDistr}$ もリリースしています。Tweedieディストリビューションの実装は、同じ数値精度を維持しながら、既存のパッケージよりも大幅に高速です。 パッケージでリリースされた4つのデータセットに対して$\textbf{fable.intermittent}$で実装されたメソッドを評価した。

関連論文リスト

• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• Forecasting intermittent time series with Gaussian Processes and Tweedie likelihood [0.14856472820492364]
  我々は、断続時系列の確率的予測のための潜在関数としてガウス過程(GP)を採用する。 我々は、潜在GP変数と、負二項分布(NegBinGP)とツイーディ分布(TweedieGP)の2種類の予測分布を結合する。
  論文  参考訳（メタデータ） (2025-02-26T12:31:56Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• A Transformer-based Diffusion Probabilistic Model for Heart Rate and Blood Pressure Forecasting in Intensive Care Unit [1.0348143884883134]
  本研究は、ICUにおける心拍数(HR)、収縮血圧(SBP)、拡張型血圧(DBP)の予測のための新しい深層学習手法を提案する。 われわれは、MIMIC-IIIデータベースから24,886ドル(約2万2000円)のICUを抽出し、そのモデルをトレーニングし、テストした。
  論文  参考訳（メタデータ） (2023-01-16T22:22:04Z)
• 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)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• 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)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。