論文の概要: Model-agnostic predictability quantification of multivariable time series

• arxiv url: http://arxiv.org/abs/2610.33209v1
• Date: Fri, 23 Oct 2026 19:00:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.27394
• Title: Model-agnostic predictability quantification of multivariable time series
• Title（参考訳）: 多変量時系列のモデルに依存しない予測可能性の定量化
• Abstract要約: 多変量予測可能性スコア(英: Multivariable Predictability Score, MAPS)は、多変量時系列予測タスクの本質的な予測可能性を測定するためのモデルに依存しない尺度である。 我々は,合成および実世界の予測データセット間のMAPSを6つのベースライン予測可能性尺度に対して評価した。
• 参考スコア（独自算出の注目度）: 0.19336815376402716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariable time series forecasting plays an important role in various domains, where predictions depend on complex interactions among covariates. Forecasting models are commonly evaluated across numerous benchmark datasets. However, forecasting accuracy reflects both model capability and task predictability, making it difficult to characterise the difficulty of a task independently of the model used. Existing predictability measures often fail to capture nonlinear dependencies or are limited to univariate series. In this work, we propose Multivariable Predictability Score (MAPS), a model-agnostic metric for measuring the intrinsic predictability of multivariable time series forecasting tasks. MAPS uses covariate information to assess predictability across different lookback windows and forecasting horizons, and provides a quantitative assessment of the predictive information available for forecasting. We evaluate MAPS across synthetic and real-world forecasting datasets against 6 baseline predictability measures. The former confirms that our method closely aligns with the expected reference predictability (r=0.963). Empirical results further corroborate that MAPS yields more reliable projections in the majority of experimental configurations.
• Abstract（参考訳）: 多変量時系列予測は、共変量間の複雑な相互作用に依存する様々な領域において重要な役割を果たす。 予測モデルは、多くのベンチマークデータセットで一般的に評価される。 しかし、予測精度はモデル能力とタスク予測可能性の両方を反映しており、使用するモデルとは独立してタスクの難しさを特徴付けることは困難である。 既存の予測可能性測度は、しばしば非線型依存を捉えるのに失敗したり、単変量級数に制限されたりする。 本研究では,多変数時系列予測タスクの本質的な予測可能性を測定するためのモデル非依存の指標であるMultivarable Predictability Score(MAPS)を提案する。 MAPSは共変量情報を用いて、異なるルックバックウィンドウと予測地平線をまたいだ予測可能性を評価し、予測に利用可能な予測情報の定量的評価を提供する。 我々は,合成および実世界の予測データセット間のMAPSを6つのベースライン予測可能性尺度に対して評価した。 前者は,本手法が期待される基準予測可能性 (r=0.963) と密接に一致していることを確認する。 実験結果はさらに、MAPSが実験的な構成の大部分でより信頼性の高い投影をもたらすことを裏付ける。

関連論文リスト

• Time Series Forecastability Measures [4.136441456697068]
  本稿では,モデル開発に先立って時系列の予測可能性を定量化する2つの指標を提案する。 スペクトル予測可能性スコアは、時系列における周波数成分の強度と規則性を評価する。 Lyapunov指数は、データを生成するシステムのカオスと安定性を定量化する。
  論文  参考訳（メタデータ） (2025-07-17T22:23:51Z)
• Predictive Multiplicity in Survival Models: A Method for Quantifying Model Uncertainty in Predictive Maintenance Applications [0.0]
  我々は、生存に基づくモデルにおいて、予測的乗法が重要な関心事であると考えている。 あいまいさ、不明瞭さ、不明瞭さという形式的な尺度を導入し、それを定量化します。 これは特にメンテナンススケジューリングなどの下流タスクに関係している。
  論文  参考訳（メタデータ） (2025-04-16T15:04:00Z)
• ModelRadar: Aspect-based Forecast Evaluation [0.393259574660092]
  予測モデルの評価と比較の現在のプラクティスは、パフォーマンスを1つのスコアにまとめることに重点を置いています。 この制限は、平均的な複数のレイヤ – データセット内の時間ステップ、地平線、および複数の時系列 – が関連するパフォーマンスの変動を隠蔽する、時系列予測において特に問題となる。 定常性,異常の有無,地平線予測など,多面にわたる一変量時系列予測モデルを評価するためのフレームワークであるModelRadarを提案する。
  論文  参考訳（メタデータ） (2025-03-31T11:50:45Z)
• Rating Multi-Modal Time-Series Forecasting Models (MM-TSFM) for Robustness Through a Causal Lens [10.103561529332184]
  ノイズや不正なデータによる不正確さが誤った予測につながるような,マルチモーダルな時系列予測に重点を置いている。 本稿では,マルチモーダル時系列予測モデルのロバスト性を評価するための評価手法を提案する。
  論文  参考訳（メタデータ） (2024-06-12T17:39:16Z)
• Predictive Churn with the Set of Good Models [61.00058053669447]
  本稿では,予測的不整合という2つの無関係な概念の関連性について考察する。 予測多重性(英: predictive multiplicity)は、個々のサンプルに対して矛盾する予測を生成するモデルである。 2つ目の概念である予測チャーン(英: predictive churn)は、モデル更新前後の個々の予測の違いを調べるものである。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• 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)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• 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。