Ensemble Modeling for Time Series Forecasting: an Adaptive Robust Optimization Approach

要約

タイトル：アダプティブロバスト最適化アプローチによるタイムシリーズ予測のアンサンブルモデリング

要約：

– 正確なタイムシリーズ予測は、時間的データを扱う幅広い問題において重要である。
– アンサンブルモデリングは、単一の予測モデルの性能が基礎データの分布の変化によって大きく異なるため、複数の予測モデルを組み合わせることで正確性と堅牢性を高める確立された技術である。
– 本論文では、頑健なタイムシリーズ予測モデルのアンサンブルを構築するための新しい方法を提案している。
– 本手法では、アダプティブロバスト最適化（ARO）を利用して、モデルの重みを時間的に適応させた線形回帰アンサンブルを構築する。
– これにより、合成実験や実世界の応用（大気汚染管理、エネルギー消費予測、熱帯低気圧強度予測など）において、本手法の有効性を実証している。
– 結果として、本手法による適応型アンサンブルは、平均二乗誤差において最良のアンサンブルメンバーを上回り、条件付きバリューアットリスクにおいて14〜28％改善されることを示した。

要約(オリジナル)

Accurate time series forecasting is critical for a wide range of problems with temporal data. Ensemble modeling is a well-established technique for leveraging multiple predictive models to increase accuracy and robustness, as the performance of a single predictor can be highly variable due to shifts in the underlying data distribution. This paper proposes a new methodology for building robust ensembles of time series forecasting models. Our approach utilizes Adaptive Robust Optimization (ARO) to construct a linear regression ensemble in which the models’ weights can adapt over time. We demonstrate the effectiveness of our method through a series of synthetic experiments and real-world applications, including air pollution management, energy consumption forecasting, and tropical cyclone intensity forecasting. Our results show that our adaptive ensembles outperform the best ensemble member in hindsight by 16-26% in root mean square error and 14-28% in conditional value at risk and improve over competitive ensemble techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI