Better Batch for Deep Probabilistic Time Series Forecasting

要約

詳細な確率的時系列予測は、意思決定タスクに貴重な不確実性を定量化できるため、大きな注目を集めています。
しかし、既存のモデルの多くは、エラー プロセスが時間に依存しないと仮定することで問題を単純化しすぎており、その結果、エラー プロセスにおけるシリアル相関が見落とされています。
この見落としにより、予測の精度が低下する可能性があり、これらのモデルが意思決定の目的で有効でなくなる可能性があります。
この制限を克服するために、確率的予測の精度を高めるために誤差の自己相関を組み込んだ革新的なトレーニング方法を提案します。
私たちの方法では、モデルのトレーニング用に $D$ の連続時系列セグメントのコレクションとしてミニバッチを構築し、隣接するタイム ステップ間の誤差相関をエンコードする各ミニバッチにわたる共分散行列を明示的に学習します。
結果として得られる共分散行列を使用して、予測精度を向上させ、不確実性の定量化を強化できます。
複数の公開データセットで DeepAR を使用してメソッドを評価し、実験結果により、フレームワークが誤差の自己相関を効果的に捕捉し、確率的予測を強化できることが確認されました。

要約(オリジナル)

Deep probabilistic time series forecasting has gained significant attention due to its ability to provide valuable uncertainty quantification for decision-making tasks. However, many existing models oversimplify the problem by assuming the error process is time-independent, thereby overlooking the serial correlation in the error process. This oversight can potentially diminish the accuracy of the forecasts, rendering these models less effective for decision-making purposes. To overcome this limitation, we propose an innovative training method that incorporates error autocorrelation to enhance the accuracy of probabilistic forecasting. Our method involves constructing a mini-batch as a collection of $D$ consecutive time series segments for model training and explicitly learning a covariance matrix over each mini-batch that encodes the error correlation among adjacent time steps. The resulting covariance matrix can be used to improve prediction accuracy and enhance uncertainty quantification. We evaluate our method using DeepAR on multiple public datasets, and the experimental results confirm that our framework can effectively capture the error autocorrelation and enhance probabilistic forecasting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google