論文の概要: Block Hankel Tensor ARIMA for Multiple Short Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2002.12135v1
- Date: Tue, 25 Feb 2020 11:29:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 21:18:39.736466
- Title: Block Hankel Tensor ARIMA for Multiple Short Time Series Forecasting
- Title(参考訳): 複数の短時間時系列予測のためのブロックハンケルテンソルアリマ
- Authors: Qiquan Shi, Jiaming Yin, Jiajun Cai, Andrzej Cichocki, Tatsuya Yokota,
Lei Chen, Mingxuan Yuan, Jia Zeng
- Abstract要約: 本研究は,複数時系列予測のための新しい手法を提案する。
最初は、マルチウェイ遅延埋め込み変換(MDT)を用いて、時系列を低ランクブロックハンケルテンソル(BHT)として表現する。
同時に、一般化テンソル自己回帰統合移動平均(ARIMA)は、将来のサンプルを予測するために連続コアテンソルに明示的に使用される。
- 参考スコア(独自算出の注目度): 30.72915958262674
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work proposes a novel approach for multiple time series forecasting. At
first, multi-way delay embedding transform (MDT) is employed to represent time
series as low-rank block Hankel tensors (BHT). Then, the higher-order tensors
are projected to compressed core tensors by applying Tucker decomposition. At
the same time, the generalized tensor Autoregressive Integrated Moving Average
(ARIMA) is explicitly used on consecutive core tensors to predict future
samples. In this manner, the proposed approach tactically incorporates the
unique advantages of MDT tensorization (to exploit mutual correlations) and
tensor ARIMA coupled with low-rank Tucker decomposition into a unified
framework. This framework exploits the low-rank structure of block Hankel
tensors in the embedded space and captures the intrinsic correlations among
multiple TS, which thus can improve the forecasting results, especially for
multiple short time series. Experiments conducted on three public datasets and
two industrial datasets verify that the proposed BHT-ARIMA effectively improves
forecasting accuracy and reduces computational cost compared with the
state-of-the-art methods.
- Abstract(参考訳): 本研究は,複数時系列予測のための新しい手法を提案する。
まず、マルチウェイ遅延埋め込み変換(MDT)を用いて、時系列を低ランクブロックハンケルテンソル(BHT)として表現する。
そして、タッカー分解を適用して、高次テンソルを圧縮コアテンソルに投影する。
同時に、一般化テンソル自己回帰統合移動平均(ARIMA)は、将来のサンプルを予測するために連続コアテンソルに明示的に使用される。
このようにして、提案手法は、低ランクタッカー分解と組み合わされたMDTテンソル化(相互相関を利用する)とテンソルARIMAの独特な利点を統合フレームワークに組み込む。
このフレームワークは、埋め込み空間におけるブロックハンケルテンソルの低ランク構造を利用し、複数のTS間の固有相関を捉えることにより、特に複数時系列において予測結果を改善することができる。
3つの公開データセットと2つの産業データセットで実施された実験により、提案したBHT-ARIMAが予測精度を効果的に改善し、最先端の手法と比較して計算コストを削減できることが確認された。
関連論文リスト
- CARD: Channel Aligned Robust Blend Transformer for Time Series
Forecasting [50.23240107430597]
本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。
まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。
第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。
第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
論文 参考訳(メタデータ) (2023-05-20T05:16:31Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳(メタデータ) (2023-01-08T12:20:46Z) - Temporal Difference Learning with Compressed Updates: Error-Feedback
meets Reinforcement Learning [32.937264507807214]
一般的な強化学習アルゴリズムは、同様の摂動に対して堅牢であることを示す。
我々の研究は、一般圧縮演算子と線形関数近似とマルコフサンプリングを併用したタンデムの誤差フィードバックを初めて考慮したものである。
論文 参考訳(メタデータ) (2023-01-03T04:09:38Z) - Mining Relations among Cross-Frame Affinities for Video Semantic
Segmentation [87.4854250338374]
関連性間の関係を, 単一スケールの内在的相関と多スケールの関係という2つの側面で検討する。
実験により,提案手法は最先端のVSS法に対して好適に動作することを示した。
論文 参考訳(メタデータ) (2022-07-21T12:12:36Z) - Imputing Missing Observations with Time Sliced Synthetic Minority
Oversampling Technique [0.3973560285628012]
本稿では,データセット内の各サンプルに対して均一な不規則な時系列を構成することを目的とした,単純かつ斬新な時系列計算手法を提案する。
我々は、観測時間の重複しないビン(「スライス」と呼ばれる)の中間点で定義される格子を固定し、各サンプルが所定の時間にすべての特徴に対して値を持つことを保証する。
これにより、完全に欠落した観察をインプットし、データ全体の時系列の均一な分類を可能にし、特別な場合には個々の欠落した特徴をインプットすることができる。
論文 参考訳(メタデータ) (2022-01-14T19:23:24Z) - MTC: Multiresolution Tensor Completion from Partial and Coarse
Observations [49.931849672492305]
既存の完備化の定式化は、主に1つのテンソルからの部分的な観測に依存する。
この問題を解決するために,効率的なマルチレゾリューション・コンプリート・モデル(MTC)を提案する。
論文 参考訳(メタデータ) (2021-06-14T02:20:03Z) - Multi-View Spectral Clustering Tailored Tensor Low-Rank Representation [105.33409035876691]
本稿では,テンソル低ランクモデルに基づくマルチビュースペクトルクラスタリング(MVSC)の問題について検討する。
MVSCに適合する新しい構造テンソル低ランクノルムを設計する。
提案手法は最先端の手法よりもかなり優れていることを示す。
論文 参考訳(メタデータ) (2020-04-30T11:52:12Z) - Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow
Profile [15.875569404476495]
本稿では,テンソルに基づく予測に焦点をあて,予測を改善するためのいくつかの実践的手法を提案する。
具体的には、長期予測のために「テンソル分解+2次元自己回帰移動平均(2D-ARMA)」モデルを提案する。
短期予測のために,テンソルクラスタリングに基づくテンソル補完を行い,過度に単純化され精度が保証されるのを避けることを提案する。
論文 参考訳(メタデータ) (2020-04-23T08:30:00Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2020-02-21T05:00:01Z) - Efficient Structure-preserving Support Tensor Train Machine [0.0]
列車マルチウェイマルチレベルカーネル(TT-MMK)
我々は,ポリアディック分解の単純さ,デュアル構造保存支援機の分類能力,およびTrain Vector近似の信頼性を組み合わせたTrain Multi-way Multi-level Kernel(TT-MMK)を開発した。
実験により,TT-MMK法は通常より信頼性が高く,チューニングパラメータに敏感で,他の最先端技術と比較した場合のSVM分類において高い予測精度が得られた。
論文 参考訳(メタデータ) (2020-02-12T16:35:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。