The Relevance of AWS Chronos: An Evaluation of Standard Methods for Time Series Forecasting with Limited Tuning

要約

トランスフォーマーベースの時系列予測フレームワークである Chronos と、ARIMA や Prophet などの従来のアプローチとの体系的な比較。
私たちは、歴史的なコンテキストの長さの影響に焦点を当てて、複数の期間とユーザー カテゴリにわたってこれらのモデルを評価します。
私たちの分析により、Chronos は長期予測において優れたパフォーマンスを示し、コンテキストが増加しても精度が維持される一方で、従来のモデルはコンテキストの長さが増加するにつれて大幅な低下を示していることが明らかになりました。
予測の品質はユーザー クラス間で体系的に異なることがわかり、根底にある動作パターンが常にモデルのパフォーマンスに影響を与えることを示唆しています。
この調査では、限定的なモデル調整が可能な現実世界のアプリケーション、特に長期の予測が必要なシナリオで Chronos を導入するケースを示します。

要約(オリジナル)

A systematic comparison of Chronos, a transformer-based time series forecasting framework, against traditional approaches including ARIMA and Prophet. We evaluate these models across multiple time horizons and user categories, with a focus on the impact of historical context length. Our analysis reveals that while Chronos demonstrates superior performance for longer-term predictions and maintains accuracy with increased context, traditional models show significant degradation as context length increases. We find that prediction quality varies systematically between user classes, suggesting that underlying behavior patterns always influence model performance. This study provides a case for deploying Chronos in real-world applications where limited model tuning is feasible, especially in scenarios requiring longer prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google