論文の概要: Asymmetric Bidirectional Predictive Dynamics in Google Search and COVID-19 Time Series: A Multi-Horizon Forecast-Error Analysis

• arxiv url: http://arxiv.org/abs/2610.28563v1
• Date: Tue, 20 Oct 2026 17:23:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.946875
• Title: Asymmetric Bidirectional Predictive Dynamics in Google Search and COVID-19 Time Series: A Multi-Horizon Forecast-Error Analysis
• Title（参考訳）: Google検索とCOVID-19時系列における非対称な双方向予測ダイナミクス:マルチ水平予測エラー解析
• Abstract要約: 一致したLightGBM予測を用いて,Google Trends-COVID-19の両方向の8つのペアについて検討した。 Log-RMSEゲインと予測エラー分布エントロピー(FEDE)が組み合わされ、符号付きエラー分布における水平依存性の変化をキャプチャする。 得られた方向予測シグネチャは、応答クラス、RMSE効果、FEDEエンドポイント、早期傾斜応答を含む。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online search activity is widely used as a digital trace of information seeking during epidemics, but its predictive value is often reduced to correlation, a selected lag, or a single forecast-error score. We examine eight pre-specified Google Trends-COVID-19 pairs in both directions using matched LightGBM forecasts over rolling 400-day windows and horizons of 1-14 days. Log-RMSE gain is combined with forecast-error distribution entropy (FEDE), which captures horizon-dependent changes in the signed error distribution. The resulting directional predictive signature comprises response class, RMSE effect, FEDE endpoint and early-slope responses, persistence across rolling regimes, and horizon profile. For screening candidate directions, we also introduce a relative persistence-weighted directional predictive response strength (DPRS) on a within-study 0-100 scale; 100 denotes the strongest observed response in the comparison set, not an absolute coupling maximum. The pairs show concordant, RMSE-only, FEDE-only, and mixed responses. "loss of smell" -> reported cases is accuracy-dominant, with mean log-RMSE gain 0.104 (about 9.9% equivalent RMSE reduction) and DPRS 100, whereas the reverse direction is FEDE-dominant (D_FEDE=0.048; DPRS=42). "covid test" -> positive rate is FEDE-dominant (D_FEDE=0.039; positive in 72% of windows; DPRS=98) despite negative RMSE gain, while "lockdown" -> stringency is the clearest concordant case (DPRS=78). World-level symptom/case pairs are less persistent. Thus, forecast accuracy and error-distribution dynamics are complementary, predictive effects can be direction- and metric-dependent, and forecast horizon is part of the relationship. Aggregated regime-level patterns should not be extrapolated to individual time points or interpreted as evidence of causality.
• Abstract（参考訳）: オンライン検索活動は、流行時の情報検索のデジタルトレースとして広く利用されているが、その予測値は相関、選択されたラグ、または単一の予測エラースコアに還元されることが多い。 我々は、400日間の窓と1～14日の地平線を転がりながら、一致したLightGBM予測を用いて、両方の方向で事前に特定された8つのGoogle Trends-COVID-19ペアを調査した。 Log-RMSEゲインと予測エラー分布エントロピー(FEDE)が組み合わされ、符号付きエラー分布における水平依存性の変化をキャプチャする。 その結果得られた方向予測シグネチャは、レスポンスクラス、RMSEエフェクト、FEDEエンドポイント、アーリースロープレスポンス、ローリングレジーム間の永続性、地平線プロファイルを含む。 候補方向のスクリーニングには,0-100スケールの相対持続重み付き方向予測応答強度 (DPRS) も導入し,100は絶対結合最大値ではなく,比較セットにおける最強の観測応答を示す。 2つのペアは、コンコーダント、RMSEのみ、FEDEのみ、混合応答を示す。 Theloss of smell -> 報告例は精度が重視され, 平均対数RMSEは0.104(約9.9%のRMSE還元)とDPRS100が増加し, 逆方向はFEDE-dominant(D_FEDE=0.048, DPRS=42)である。 covid test -> positive rate is FEDE-dominant (D_FEDE=0.039; positive in 72% windows; DPRS=98) despite negative RMSE gain, while "lockdown" -> stringency is the clearest concordant case (DPRS=78。 世界レベルの症状/ケースペアは持続性が低い。 したがって、予測精度と誤差分布のダイナミクスは相補的であり、予測効果は方向と距離に依存し、予測水平線は関係の一部である。 集約型レギュレーションレベルのパターンは、個々のタイムポイントに外挿したり、因果性の証拠として解釈してはならない。

関連論文リスト

• Beyond RMSE and Granger Gain: Multi-Horizon Forecast-Error Entropy for Nonlinear Predictive Coupling [0.0]
  本研究では,過去の補助時系列が,対象の履歴に含まれる範囲を超えて,対象の予測情報を提供するかどうかを検討する。 予測エラーエントロピー(FEDE)予測因果性フレームワークを導入する。 FEDEは、完全に署名された予測エラーの分布が予測地平線を越えてどのように変化するかを定量化する。
  論文  参考訳（メタデータ） (2026-10-13T13:40:41Z)
• Gated Graph Neural Networks for Learning Hidden Independent Cascade Dynamics [50.02140519922548]
  情報や伝染病はソーシャルネットワークを通じて広まっていますが、ノードごとのアクティベーション時間なしでは予測が難しいのです。 本研究では,Hydden Independent Cascade(HIC)モデルの下で,この逆問題について検討する。 本研究では,個々の潜伏カスケードを再構成することなく,ノードレベルのパラメータベクトルを復元するシミュレーションベースの補正推定器を提案する。
  論文  参考訳（メタデータ） (2026-10-02T20:36:22Z)
• TimeLitmus: A Diagnostic Benchmark for Cross-Modal Understanding and Explanation Faithfulness in Event-Conditioned Time-Series Prediction [48.104261148149654]
  TimeLitmusは、イベント条件付き時系列予測における相互理解と忠実さの説明のための診断ベンチマークである。 TimeLitmusには財務と交通の計4,856件の評価記録がある。
  論文  参考訳（メタデータ） (2026-09-21T14:38:49Z)
• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [69.06648810271712]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• Post-Hoc Trajectory-Risk Certification for Modular LLM-Based Security Agents [1.4915002678801434]
  ボンフェロニ配置は分布自由であるが,相関誤差下では保守的であることを示す。 粗いラベルの選択は、学習された依存なしにほぼ完璧な相関関係を作ることができる。 ステージ単位の証明書とペアの重なり合うバウンドを用いたモジュール証明書は、正の平均利得が0.6%となる。
  論文  参考訳（メタデータ） (2026-08-04T23:48:36Z)
• RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
  固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。 本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。 累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
  論文  参考訳（メタデータ） (2026-06-23T02:11:04Z)
• A Tale of Two Variances: When Single-Seed Benchmarks Fail in Bayesian Deep Learning [10.891872788947298]
  局所CRPS分散は単列推定誤差の直接信号を提供する。 パワーロー適合品質と単調性は、トラジェクトリ正則性のコンパクトなメソッドレベルの要約を提供する。
  論文  参考訳（メタデータ） (2026-04-25T02:52:33Z)
• Variational Inference for Bayesian MIDAS Regression [0.0]
  線形重みパラメータージネーションを用いた回帰のための座標アセント変分推論 (CAVI) アルゴリズムを開発した。 CAVIは、107xから1,772xのスピードアップを達成しつつ、ブロックギブスサンプリングベンチマークとほぼ同一の後方手段を生成する。 重み関数パラメータは、すべてのcon gurationに対して優れたキャリブレーション(カバーは92%以上)を維持している。
  論文  参考訳（メタデータ） (2026-02-23T08:51:26Z)

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。