维托·塞奎拉;路易斯·托戈;法比奥·平托;卡洛斯·苏亚雷斯 预测专家套利。 (英语) Zbl 1493.68295号 马赫。学习。 108,第6号,913-944(2019). 摘要:预测是跨多个领域的重要任务。它的普遍兴趣与时间序列的不确定性和复杂的演化结构有关。预测方法通常是为了处理观测之间的时间依赖性而设计的,但人们普遍认为,没有一种方法是普遍适用的。因此,这些任务的一个常见解决方案是结合不同预测集的意见。本文提出了一种基于仲裁的方法,将多个预测模型动态组合以获得预测。仲裁是一种元学习方法,根据专家对他们将遭受的损失的预测,将专家的输出结合起来。我们提出了一种检索数据库外预测的方法,可以显著提高其数据效率。最后,由于多样性是集成方法中的一个基本组成部分,因此我们提出了一种方法,用于在聚合专家预测时显式处理专家之间的相互依赖性。大量实证实验的结果证明了该方法相对于最先进方法的竞争力。建议的方法在软件包中公开提供。 引用于3文件 MSC公司: 68T05型 人工智能中的学习和自适应系统 62M10个 统计学中的时间序列、自相关、回归等(GARCH) 62M20型 随机过程推断和预测 关键词:动态信号群;元学习;时间序列;结合专家建议;预测;附属国;多样性 软件:请;TSDL公司;歌剧;立体派;科恩拉布;护林员;预测;质量(R);格尔姆奈特;TDSL公司;R(右);UCI-毫升;地球;预测;千兆字节 PDF格式BibTeX公司 XML格式引用 \textit{V.Cerqueira}等人,马赫。学习。108,第6号,913--944(2019;Zbl 1493.68295) 全文: 内政部 参考文献: [1] 艾奥菲,M。;Timmermann,A.,《预测绩效和条件组合策略的持续性》,《计量经济学杂志》,135,1,31-53(2006)·Zbl 1418.62406号 [2] 贝纳沃利,A。;Corani,G。;德姆沙尔,J。;Zaffalon,M.,《改变的时间:通过贝叶斯分析比较多个分类器的教程》,《机器学习研究杂志》,18,1,2653-2688(2017)·Zbl 1440.62237号 [3] Braddil,P。;承运人,Cg;苏亚雷斯,C。;Villata,R.,《元学习:数据挖掘应用》(2008),柏林:施普林格出版社,柏林·Zbl 1173.68625号 [4] Breiman,L.,打包预测,机器学习,24,2,123-140(1996)·Zbl 0858.68080号 [5] Brown,G.,《关于多分类器系统的信息论观点》,《多分类器系统国际研讨会》,344-353(2009),柏林:施普林格出版社,柏林 [6] 布朗,G。;怀亚特,J。;哈里斯,R。;Yao,X.,《多样性创造方法:调查和分类》,信息融合,6,1,5-20(2005) [7] 布朗,G。;怀亚特,Jl;Tiňo,P.,《管理回归集合中的多样性》,《机器学习研究杂志》,1621-1650年9月6日(2005)·Zbl 1222.68154号 [8] Carbonell,J.和Goldstein,J.(1998)。使用基于多样性的mmr重新排序文档和生成摘要(第335-336页)。ACM公司。 [9] Ga Carpenter;Grossberg,S。;Reynolds,Jh,Artmap:通过自组织神经网络监督非平稳数据的实时学习和分类,神经网络,4,5655-588(1991)·doi:10.1016/0893-6080(91)90012-T [10] Cerqueira,V.、Torgo,L.、Pinto,F.和Soares,C.(2017年)。时间序列预测的仲裁集合。在关于数据库中的机器学习和知识发现的欧洲联合会议上(第478-494页)。斯普林格。 [11] Cerqueira,V.、Torgo,L.、Smailović,J.、Mozetić,I.(2017年)。时间序列预测性能估计方法的比较研究。第四届数据科学和高级分析国际会议记录(第529-538页)。电气与电子工程师协会。10.1109/DSA.2017.7。 [12] 塞奎拉,V。;托戈,L。;Soares,C.,太阳辐射预测仲裁集成,国际人工神经网络工作会议,720-732(2017),Cham:Springer,Cham [13] 塞萨·比安奇,N。;Lugosi,G.,在线预测和博弈论中基于潜力的算法,机器学习,51,3,239-261(2003)·Zbl 1026.68152号 [14] 塞萨·比安奇,N。;Lugosi,G.,《预测、学习和游戏》(2006),纽约:剑桥大学出版社,纽约·兹比尔1114.91001 [15] Clemen,Rt,《综合预测:综述和注释书目》,《国际预测杂志》,5,4,559-583(1989) [16] 克莱门,Rt;Winkler,Rl,《综合经济预测》,《商业与经济统计杂志》,4,1,39-46(1986) [17] Dawid,A.P.(1984)。现状和潜在发展:一些个人观点:统计理论:优先方法。英国皇家统计学会杂志。A系列(概述)、147(2)、278-292·Zbl 0557.62080号 [18] 美国De Livera;Rj Hyndman;Snyder,Rd,使用指数平滑预测复杂季节模式的时间序列,美国统计协会杂志,106,496,1513-1527(2011)·Zbl 1234.62123号 [19] Dietterich,T.G.和Bakiri,G.(1991年)。纠错输出代码:改进多类归纳学习程序的通用方法。AAAI(第572-577页)。 [20] Fawcett,T.和Provost,F.(1999)。活动监控:注意行为中有趣的变化。第五届ACM SIGKDD知识发现和数据挖掘国际会议论文集(第53-62页)。ACM公司。 [21] 弗里德曼,J。;哈斯蒂,T。;Tibshirani,R.,通过坐标下降广义线性模型的正则化路径,统计软件杂志,33,1,1-22(2010) [22] Gaillard,P.和Goude,Y.(2015)。通过聚集专家预测用电量;如何设计一组优秀的专家。《高维预测的建模和随机学习》(第95-115页)。斯普林格。 [23] Gaillard,P.和Goude,Y.(2016)歌剧:专家聚合的在线预测。R包版本1.0。https://CRAN.R-project.org/package=opera。 [24] 贾马,J。;Kosina,P.,数据流分类中的递归概念,知识和信息系统,40,3,489-507(2014) [25] 贾马,J。;《狮子座》,I。;Bifet,A。;Pechenizkiy,M。;Bouchachia,A.,概念漂移适应调查,ACM计算调查(CSUR),46,4,44(2014)·Zbl 1305.68141号 [26] 体裁,V。;Kenny,G。;梅勒,A。;Timmermann,A.,结合专家预测:有什么能超过简单平均值吗?,《国际预测杂志》,29,1,108-121(2013) [27] 赫伯斯特,M。;Mk Warmuth,《追踪最佳专家》,机器学习,32,2,151-178(1998)·Zbl 0912.68165号 [28] Hyndman,R.(2017)。时间序列数据库。http://data.is/TSDLdemo。2017年12月11日访问。 [29] Hyndman,R.J.(2014)。George Athanasopoulos,Razbash,S.,Schmidt,D.,Zhou,Z.,Khan,Y.,Bergmeir,C.,Wang,E.的贡献:预测:时间序列和线性模型的预测函数。R软件包版本5.6。 [30] Jacobs,R.,《组合专家概率评估的方法》,神经计算,7,5,867-888(1995) [31] 雅各布斯(Ra Jacobs);米·乔丹(Mi Jordan);Nowlan,Sj;Ge Hinton,《本地专家的自适应混合》,神经计算,3,1,79-87(1991) [32] Jose,Vrr先生;Winkler,Rl,《预测的简单稳健平均值:一些实证结果》,《国际预测杂志》,2008年第24期,第1期,第163-169页 [33] 卡拉佐格鲁,A。;Smola,A。;霍尼克,K。;Zeileis,A.,kernlab-An S4软件包,R中的内核方法,统计软件杂志,11,9,1-20(2004) [34] 犬舍,Mb;布朗,R。;Abarbanel,Hd,使用几何结构确定相空间重建的嵌入尺寸,《物理评论》a,45,6,3403(1992) [35] Koprinska,I.、Rana,M.和Agelidis,V.G.(2011年)。电力负荷预测的年度和季节模型。2011年国际神经网络联合会议(IJCNN)(第1474-1481页)。电气与电子工程师协会。 [36] Kuhn,M.、Weston,S.和Keefer,C.(2014)。北卡罗来纳州罗斯·昆兰(Ross Quinlan)的《立体派代码:基于规则和实例的回归建模》(Code for Cubist)。R包版本0.0.18。 [37] Kuncheva,L.I.(2004)。多分类器系统:第五届国际研讨会,MCS 2004,卡利亚里,意大利,2004年6月9日至11日。论文集,第二章,变化环境的分类器集成(第1-15页)。柏林:斯普林格。10.1007/978-3-540-25966-4_1. [38] Kwiatkowski,D。;菲利普斯私人有限公司;施密特,P。;Shin,Y.,针对单位根的替代性检验平稳性的零假设:我们如何确定经济时间序列有单位根?,《计量经济学杂志》,54,1-3,159-178(1992)·Zbl 0871.62100号 [39] Lichman,M.(2013)。UCI机器学习库。http://archive.ics.uci.edu/ml。2017年8月30日访问。 [40] Makridakis,S。;安徒生公司。;Carbone,R。;费尔德斯,R。;希本,M。;Lewandowski,R。;牛顿,J。;帕尔岑,E。;Winkler,R.,外推(时间序列)方法的准确性:预测竞赛的结果,《预测杂志》,1,2,111-153(1982) [41] Mevik,B.H.、Wehrens,R.和Liland,K.H.(2016)。偏最小二乘和主成分回归。R软件包版本2.6-0。https://CRAN.R-project.org/package=pls。 [42] Milborrow,S.(2012年)。地球:多元自适应回归样条模型。由Trevor Hastie和Rob Tibshirani从mda:mars衍生而来。 [43] Newbold,P.和Granger,C.W.(1974年)。具有预测单变量时间序列和组合预测的经验。英国皇家统计学会杂志。A系列(通用),137(2),131-165。 [44] 奥尔特加,J。;科佩尔,M。;Argamon,S.,《使用学会的裁判在竞争分类器之间进行仲裁》,《知识与信息系统》,第3、4、470-490页(2001年)·Zbl 0987.68629号 [45] Pinto,F.、Soares,C.和Mendes-Moreira,J.(2016)。Chade:具有分类器链的元学习,用于分类器的动态组合。在关于数据库中的机器学习和知识发现的联合欧洲会议上。斯普林格。 [46] R: 《统计计算的语言和环境》(2013年),维也纳:R统计计算基金会,维也纳 [47] Ridgeway,G.(2015)gbm:广义增强回归模型。R包版本2.1.1。 [48] 奥尔德·罗西;De Leon Ferreira公司;苏亚雷斯,C。;De Souza,Bf,Metastream:基于元学习的时变数据周期算法选择方法,神经计算,127,52-64(2014) [49] Sánchez,I.,预测与风能应用的自适应组合,《国际预测杂志》,24,4,679-693(2008) [50] Takens,F.(1981)。《动力系统与湍流》,沃里克1980:1979/80年在沃里克大学举行的研讨会论文集,第二章:探测湍流中的奇怪吸引子(第366-381页)。柏林:斯普林格。2007年10月10日/BFb0091924。 [51] Timmermann,A.,预测组合,《经济预测手册》,1135-196(2006) [52] Timmermann,A.,《难以预测的回报》,《国际预测杂志》,24,1,1-18(2008) [53] 托多罗夫斯基,L。;Díeroski,S.,将分类器与元决策树相结合,机器学习,50,3,223-249(2003)·Zbl 1033.68099号 [54] van Rijn,J.N.、Holmes,G.、Pfahringer,B.和Vanschoren,J.(2018)。在线性能评估框架:数据流的异构集成学习。机器学习,107(1),149-176·兹比尔1457.68320 [55] Venables,W.N.和Ripley,B.D.(2002年)。现代应用统计学与S(第四版)。纽约:施普林格。国际标准图书编号0-387-95457-0·兹比尔1006.62003 [56] Wager,S.等人。;哈斯蒂,T。;Efron,B.,《随机森林的置信区间:折刀和无穷小折刀》,《机器学习研究杂志》,15,1,1625-1651(2014)·Zbl 1319.62132号 [57] 王,X。;Smith-Miles,K。;Hyndman,R.,预测方法选择的规则归纳:单变量时间序列特征的元学习,神经计算,72,10,2581-2594(2009) [58] Wolpert,Dh,叠加泛化,神经网络,5,2,241-259(1992) [59] Wolpert,D.H.(2002年)。有监督学习的无阻塞定理。R.Roy、M.Köppen、S.Ovaska、T.Furuhashi和F.Hoffmann(编辑),《软计算与工业》(第25-42页)。伦敦:斯普林格。10.1007/978-1-4471-0123-9_3. [60] Wright,M.N.(2015)。Ranger:随机森林的快速实现。R包 [61] Zinkevich,M.(2003年)。在线凸规划与广义无穷小梯度提升。第20届机器学习国际会议论文集(ICML-03)(第928-936页)。 此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配,并且可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。