複数の時間軸での予測 天気データの例

複数の時間軸での予測 天気データの例' can be condensed as '複数の時間軸での予測 天気データの例'.

予測ホライズンを特徴としてスイスの降水を予測する。

• 導入
• 例：スイスの降水

導入

従来の手法

時系列の将来値を予測する際、多くの場合、複数の将来ホライズンに興味を持ちます。例えば、1か月後、2か月後、または3か月後に何が起こるのかを予測したいと思うかもしれません。これらの異なるホライズンを予測するための従来の手法は、それぞれのターゲットホライズンごとにモデルを個別に訓練することです。

一般的な代替手法

一般的な代替手法は、短いホライズンで単一のモデルを訓練し、それを再帰的に適用することによって複数のホライズンに拡張することです（つまり、前の予測を入力として次の予測を行います）。ただし、この手法は本番システムでの実装が複雑になる可能性があり、エラーの伝播を引き起こす可能性があります。近いホライズンでの誤差が、次のホライズンに対して有害な影響を及ぼす可能性があります。

また、もう一つの代替手法は、多変量モデルを使用してすべてのホライズンを同時に予測することです。しかし、多変量出力をサポートするモデルの種類は限られており、データの取り扱いとモデルのメンテナンスに追加の努力が必要です。

特徴としてのホライズン

よりシンプルな手法は、各ホライズンのために準備されたデータを連結し、「ホライズン」という新しい特徴を追加することです。この手法にはいくつかの利点があります：

• 『スタートアップでのフルスタックデータサイエンティストとは何か』
• 「量子もつれ測定の革命：限られたデータで深層学習が従来の方法を上回る方法」
• 「モンテカルロシミュレーションを通じてA/Bテストのパフォーマンスを理解するための初心者向けガイド」

1. 理解と実装が簡単であり、訓練とメンテナンスのための単一のモデルにつながります。
2. 予測の精度を向上させる可能性があります。モデルはより大規模なデータセットで訓練されるため、これは「データ拡張」のテクニックとして使用することもできます。例えば、特定のホライズンに興味がある場合でも、訓練フェーズで追加のホライズンを追加してモデルの推定を改善することができます。
3. モデルは訓練されたホライズン以外のホライズンを予測するために使用できます。これは、予測するホライズンが多い場合に役立つかもしれません。

この手法は複数のホライズンの文脈におけるグローバルモデルの対極に位置しています…

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!