Deep Non-Parametric Time Series Forecaster

要約

このペーパーでは、時系列予測のためのノンパラメトリック ベースライン モデルを紹介します。
古典的な予測モデルとは異なり、提案されたアプローチは予測分布のパラメトリック形式を仮定せず、代わりに調整可能な戦略に従って経験的分布からサンプリングすることによって予測を生成します。
このおかげで、一部のデータ分布で数値安定性に問題がある古典的なモデルとは異なり、モデルは常に合理的な予測 (つまり、観測されたデータ範囲内の予測) を確実に生成することができます。
さらに、複数の関連する時系列にわたる情報を利用してサンプリング戦略を自動的に学習する、提案された方法のグローバル バージョンを開発します。
経験的評価では、提案された手法がすべてのデータセットにわたって合理的で一貫したパフォーマンスを示し、予測ツールボックスで考慮すべき強力なベースラインであることが証明されました。

要約(オリジナル)

This paper presents non-parametric baseline models for time series forecasting. Unlike classical forecasting models, the proposed approach does not assume any parametric form for the predictive distribution and instead generates predictions by sampling from the empirical distribution according to a tunable strategy. By virtue of this, the model is always able to produce reasonable forecasts (i.e., predictions within the observed data range) without fail unlike classical models that suffer from numerical stability on some data distributions. Moreover, we develop a global version of the proposed method that automatically learns the sampling strategy by exploiting the information across multiple related time series. The empirical evaluation shows that the proposed methods have reasonable and consistent performance across all datasets, proving them to be strong baselines to be considered in one’s forecasting toolbox.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google