מושגי ליבה
時系列予測問題に対して、効率的で実装が容易な自動データ拡張手法を提案する。
תקציר
本研究では、時系列予測問題に対する新しい自動データ拡張手法「TSAA」を提案している。TSAAは、2段階のプロセスで構成されている。
まず初期段階では、データ拡張を行わずにモデルを部分的に訓練し、共有重みを生成する。次に、反復的な最適化プロセスを行う。このプロセスでは、ベイズ最適化を用いて堅牢な拡張ポリシーを見つけ出し、同時にASHAを用いて非効率な実行を削除する。
提案手法をさまざまな単変量および多変量の時系列予測ベンチマーク問題に適用した結果、いくつかの堅牢なベースラインよりも一貫して優れた性能を示すことが分かった。これは、予測パイプラインへの統合が期待できることを示唆している。
סטטיסטיקה
時系列予測の長期予測では、ETTm2データセットで6.35%のMSE改善、Electricityデータセットで3.25%のMSE改善が得られた。
単変量予測では、Weatherデータセットで66.7%のMSE改善、44.2%のMAE改善が得られた。
ציטוטים
"時系列予測問題に対して、効率的で実装が容易な自動データ拡張手法を提案する。"
"提案手法をさまざまな単変量および多変量の時系列予測ベンチマーク問題に適用した結果、いくつかの堅牢なベースラインよりも一貫して優れた性能を示すことが分かった。"