The DeepCAR Method: Forecasting Time-Series Data That Have Change Points

要約

時系列予測の多くの方法は、自己回帰、移動平均、指数平滑法などの古典的な統計で知られています。
DeepAR フレームワークは、深層学習に基づく時系列予測のための斬新な最近のアプローチです。
DeepAR はすでに非常に有望な結果を示しています。
ただし、時系列にはしばしば変化点があり、DeepAR の予測パフォーマンスが大幅に低下する可能性があります。
このホワイト ペーパーでは、これらの変更点を検出して含めることにより、DeepAR フレームワークを拡張します。
変更点がない場合は標準の DeepAR と同様に機能し、変更点がある場合はかなり優れていることを示します。
より一般的には、DeepAR、Transformers、およびその他の最新の予測モデルの変化点に対処するために、バッチ サイズが効果的で驚くほど簡単な方法を提供することを示します。

要約(オリジナル)

Many methods for time-series forecasting are known in classical statistics, such as autoregression, moving averages, and exponential smoothing. The DeepAR framework is a novel, recent approach for time-series forecasting based on deep learning. DeepAR has shown very promising results already. However, time series often have change points, which can degrade the DeepAR’s prediction performance substantially. This paper extends the DeepAR framework by detecting and including those change points. We show that our method performs as well as standard DeepAR when there are no change points and considerably better when there are change points. More generally, we show that the batch size provides an effective and surprisingly simple way to deal with change points in DeepAR, Transformers, and other modern forecasting models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google