Synergizing Two Types of Fuzzy Information Granules for Accurate and Interpretable Multistep Forecasting of Time Series
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
High accuracy and decent interpretability are two main pursuits in time series multistep forecasting. Trend fuzzy information granulation shows the potential to improve accuracy. That is, trend fuzzy information granulation-based models give multistep forecasts by predicting a trend-type fuzzy information granule (FIG) at one time, thus avoiding cumulative errors resulting from repetitive iterations. However, since trend fuzzy information granulation focuses on trend information but misses magnitude information of time series, the models based on which are decently interpretable in the sense of trend but not magnitude, leading to the accuracy-interpretability dilemma. To overcome this dilemma, we first propose a new type of FIGs, named multiamplitude FIG, to interpret amplitude features and magnitude distributions. Then we present trend-magnitude synergy-oriented fuzzy information granulation, which constructs two types of FIGs on each segment simultaneously: multilinear-trend FIG and multiamplitude FIG. They, respectively, act as trend and magnitude semantic descriptors of time series. Such fuzzy information granulation method benefits to mining multilinear-trend and multiamplitude fuzzy rules that can effectively interpret complex trend associations and magnitude associations. With such new fuzzy rules, we synergize trends and magnitudes well to develop a time series multistep forecasting model. This model operates at the granular level, predicting a multilinear-trend FIG and a multiamplitude FIG at one time. Therefore, it is with not only high accuracy but also decent interpretability thanks to the sound trend-magnitude synergy. Experiments verify the validity of our multistep forecasting model in accuracy and interpretability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle