論文の概要: MORA: Correcting Time Series Forecasts with Coarse Future Signals
- arxiv url: http://arxiv.org/abs/2611.15413v1
- Date: Wed, 11 Nov 2026 12:36:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.141254
- Title: MORA: Correcting Time Series Forecasts with Coarse Future Signals
- Title(参考訳): MORA:粗い将来信号で時系列予測を修正
- Abstract要約: 本稿では, 追加入力を必要とせず, 凍結予測器の出力を改良するモデル非依存残差アダプタMORAを提案する。
MORAは、バックボーン固有の残留物を直接予測するのではなく、構造外挿と学習された推定を通じてターゲットシーケンスのセグメントワイズ平均を推定する。
- 参考スコア(独自算出の注目度): 10.301419481015497
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent architectural advances have improved time-series forecasting. However, our analysis of forecasters with diverse architectures reveals a common pattern: a substantial share of residual energy is concentrated in a small number of low-frequency components. Simple linear probes further show that the forecasters' historical inputs still contain predictive information about errors in the forecast mean. Building on these findings, we propose Model-Output Residual Adaptation (MORA), a model-agnostic residual adapter that refines the outputs of frozen forecasters without requiring additional inputs. MORA estimates segment-wise means of the target sequence through structural extrapolation and learned estimation, rather than directly predicting backbone-specific residuals. It then converts discrepancies between these estimates and the corresponding statistics of the backbone forecast into stagewise corrections, scaling each update according to estimation reliability. Extensive experiments on twelve benchmarks with six forecasting backbones show average MSE reductions of 7.2% for long-term forecasting and 28.1% for short-term forecasting, with lower MSE in 96.2% of the 288 evaluated cases. The benefits also extend to three time-series foundation models evaluated at different context lengths. Together, these results demonstrate that predictable coarse-scale residuals can be effectively exploited to improve existing forecasts. Code repository: https://anonymous.4open.science/r/MORA-B0B0/.
- Abstract(参考訳): 最近の建築の進歩は時系列予測を改善した。
しかし, 多様な構造を持つ予測器の解析では, 残留エネルギーのかなりの割合が少数の低周波成分に集中しているという共通パターンが明らかとなった。
単純な線形プローブは、予測者の過去の入力には、予測平均におけるエラーに関する予測情報が含まれていることを示している。
これらの結果に基づいて, 追加入力を必要とせず, 凍結予測器の出力を改良するモデル非依存残差アダプタであるモデル出力残差適応(MORA)を提案する。
MORAは、バックボーン固有の残留物を直接予測するのではなく、構造外挿と学習された推定を通じてターゲットシーケンスのセグメントワイズ平均を推定する。
次に、これらの推定値とバックボーン予測の対応する統計値との相違を段階的に補正し、推定信頼性に応じて各更新をスケールする。
6つの予測バックボーンを持つ12のベンチマークの大規模な実験では、長期的な予測では平均MSEが7.2%、短期予測では28.1%、評価された288のケースでは96.2%が低い。
この利点は、異なるコンテキスト長で評価された3つの時系列基礎モデルにも拡張される。
これらの結果は,既存の予測を改善するために,予測可能な粗大残差を効果的に活用できることを実証した。
コードリポジトリ:https://anonymous.4open.science/r/MORA-B0B0/。
関連論文リスト
- A Model-Agnostic Correction Framework for Short-Term Building Load Forecasting [3.2507797440393884]
WeL-RAC(WeL-RAC)を提案する。
WeL-RACは3つのデータセット,8つの予測バックボーン,4つの水平線を1時間から18時間にわたって31のビルディングケースで評価した。
論文 参考訳(メタデータ) (2026-10-22T22:07:33Z) - Proper Scoring Rule-based Diffusion for Probabilistic Weather Forecasting [59.015610520217734]
我々は,コンテキストとその劣化バージョンから,同じ将来状態を予測できる補助的条件記述タスクを導入する。
推測時には、予測器は、完全に破損したエンドポイントにおいて、単一の前方通過で各アンサンブル部材を生成することができる。
論文 参考訳(メタデータ) (2026-09-29T22:47:10Z) - From Narrative to Auditable Forecasts: A Structured Scaffold for Agentic Forecasting [28.10023756949099]
AuditForecastは構造化確率予測のためのエージェント的な足場である。
予測を適切な定量的ベースラインモデルで固定し、モデル誘導データ検索を使用してベース確率を導出し、モデルの範囲外で状況要因を更新する。
AuditForecastは、予測構築を明確にし、系統的なポストホック分析をサポートする監査可能な予測レポートを生成する。
論文 参考訳(メタデータ) (2026-09-05T05:58:39Z) - Beyond Accuracy: A Stability-Aware Metric for Multi-Horizon Forecasting [0.0]
本稿では,確率的マルチホライゾン予測の質を評価するための予測精度とコヒーレンススコア(略してACスコア)を紹介する。
その結果,従来の最大推定値よりも大幅に改善した。
論文 参考訳(メタデータ) (2026-01-15T21:26:57Z) - 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) - A Predictive Approach To Enhance Time-Series Forecasting [6.377828331013327]
本稿では、時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。
本手法は2つのモデルから構成される: 重要事象を識別するために将来のデータを解析する検出モデルと、これらの事象を現在のデータに基づいて予測する予測モデルである。
脳波データを用いた発作予測ではAUC-ROCが44.8%増加し,非線形力学系ではMSEが23.4%減少した。
論文 参考訳(メタデータ) (2024-10-19T21:22:55Z) - 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) - Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。
異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。
我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
論文 参考訳(メタデータ) (2023-05-02T14:34:34Z) - 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)
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。