時間的注意学習によるマルチ水平時系列予測【JST・京大機械翻訳】

Fan Chenyou; Zhang Yuze; Pan Yi; Li Xiaoyue; Zhang Chi; Yuan Rong; Wu Di; Wang Wensheng; Pei Jian; Huang Heng

文献

J-GLOBAL ID：202002269935811794 整理番号：20A1509699

時間的注意学習によるマルチ水平時系列予測【JST・京大機械翻訳】

Multi-Horizon Time Series Forecasting with Temporal Attention Learning

出版者サイト複写サービスで全文入手
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=20A1509699&from=J-GLOBAL&jstjournalNo=D0698C") }}

著者 (10件)： , , , , , , , , ,
資料名：
号： KDD ’19 ページ： 2527-2535 発行年： 2019年
JST資料番号： D0698C 資料種別：会議録 (C)
記事区分：原著論文発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

著者らは,将来の水平線上の時系列の全分布を予測する多重水平確率的予測タスクを解決するための,新しいデータ駆動手法を提案した。歴史的情報に隠された時間的パターンは,長い時系列の正確な予測に重要な役割を果たすことを示した。伝統的方法は,歴史的データにおける関連パターンを探究するために手動で時間的依存性を設定することに依存し,それは実世界データに関する長期シリーズの予測において非現実的である。代わりに,著者らは,深いニューラルネットワークによる隠れパターン表現の構築を明示的に学習し,将来を予測するために歴史の異なる部分に通じることを提案する。本論文では,将来の予測に有用な歴史的データにおける潜在パターンをより良く捉えるための時間注意メカニズムを用いて,多重水平時系列予測のためのエンドツーエンド深層学習フレームワークを提案した。学習された潜在パターン特徴に基づいて,複数の将来の水平線上の多重分位の予報を同時に生成することができる。また,歴史の異なる部分から特徴を結合するために使われるマルチモーダル融合メカニズムを提案し,将来をより良く表現した。実験結果は,著者らのアプローチが,異なる領域における2つの大規模予測データセットに関して最先端の性能を達成することを実証した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , ,
, , , , 【Automatic Indexing@JST】

著者キーワード (5件)： , , , ,

人工知能 , 脳・神経系モデル

, , ,

前のページに戻る