論文の概要: ABBA: Adaptive Brownian bridge-based symbolic aggregation of time series

• arxiv url: http://arxiv.org/abs/2003.12469v1
• Date: Fri, 27 Mar 2020 15:30:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 04:35:24.270802
• Title: ABBA: Adaptive Brownian bridge-based symbolic aggregation of time series
• Title（参考訳）: ABBA: 適応ブラウン橋に基づく時系列の記号集合
• Authors: Steven Elsworth and Stefan G\"uttel
• Abstract要約: ABBAと呼ばれる新しい時間の記号表現が導入される。 これは級数列への時系列の適応多角形連鎖近似に基づいている。 この表現の再構成誤差は、始点と終点をピン留めしたランダムウォークとしてモデル化できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A new symbolic representation of time series, called ABBA, is introduced. It is based on an adaptive polygonal chain approximation of the time series into a sequence of tuples, followed by a mean-based clustering to obtain the symbolic representation. We show that the reconstruction error of this representation can be modelled as a random walk with pinned start and end points, a so-called Brownian bridge. This insight allows us to make ABBA essentially parameter-free, except for the approximation tolerance which must be chosen. Extensive comparisons with the SAX and 1d-SAX representations are included in the form of performance profiles, showing that ABBA is able to better preserve the essential shape information of time series compared to other approaches. Advantages and applications of ABBA are discussed, including its in-built differencing property and use for anomaly detection, and Python implementations provided.
• Abstract（参考訳）: ABBAと呼ばれる新しい時系列の記号表現が導入された。 これは、時系列をタプルの列に適応的な多角形連鎖近似に基づいており、続いて平均に基づくクラスタリングにより記号表現を得る。 この表現の再構成誤差は、いわゆるブラウン橋である開始点と終点をピン止めしたランダムウォークとしてモデル化できることを示す。 この洞察は、選択しなければならない近似耐性を除いて、ABBAを本質的にパラメータフリーにすることを可能にする。 SAXと1d-SAXとの大規模な比較はパフォーマンスプロファイルの形式に含まれており、ABBAは他の手法と比較して時系列の基本形状情報をよりよく保存できることを示している。 abbaの利点と応用については、組み込みの差分特性や異常検出の使用、pythonの実装など、議論されている。

関連論文リスト

• Quantized symbolic time series approximation [0.28675177318965045]
  本稿では,新しい量子化に基づくABBA記号近似手法,QABBAを提案する。 QABBAは、元の速度とシンボル再構成の精度を維持しながら、ストレージ効率を向上させる。 時系列回帰のための大規模言語モデル(LLM)を用いたQABBAの応用についても述べる。
  論文  参考訳（メタデータ） (2024-11-20T10:32:22Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための生成変換器Timer-XLを提案する。 Timer-XLは、統一されたアプローチにより、挑戦的な予測ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• A Bag of Receptive Fields for Time Series Extrinsic Predictions [8.172425535905038]
  高次元時系列データは、そのダイナミックな性質、様々な長さ、欠落した値の存在のために課題を提起する。 本稿では,時系列畳み込みと1D-SAXの概念を取り入れたBag-Of-Receptive-FieldsモデルであるBORFを提案する。 BORF on Time Series Classification and Time Series Extrinsic Regression task using the full UEA and UCR repository。
  論文  参考訳（メタデータ） (2023-11-29T19:13:10Z)
• ASTRIDE: Adaptive Symbolization for Time Series Databases [6.8820425565516095]
  時系列の新たなシンボル表現である ASTRIDE と FASTRIDE (Fast ASTRIDE) について紹介する。 多くのシンボル化手順とは異なり、ASTRIDEは、変化点検出と量子化ステップを量子化を用いて行うことにより、セグメンテーションステップの両方に適応する。 本稿では,SAX,1d-SAX,SFA,ABBAと比較して,ASTRIDEおよびFASTRIDE表現の再現性および適用性について述べる。
  論文  参考訳（メタデータ） (2023-02-08T14:46:24Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• An efficient aggregation method for the symbolic representation of temporal data [0.0]
  本稿では,適応的ブラウン橋型アグリゲーション法 (ABBA) の新たな変種であるfABBAを提案する。 この変種は、時系列の断片表現に合わせた新しい集約アプローチを利用する。 従来の手法とは対照的に、新しいアプローチでは事前に指定する時系列シンボルの数を必要としない。
  論文  参考訳（メタデータ） (2022-01-14T22:51:24Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• MrSQM: Fast Time Series Classification with Symbolic Representations [11.853438514668207]
  MrSQMは複数のシンボル表現と効率的なシーケンスマイニングを使用して重要な時系列特徴を抽出する。 本研究は, 完全教師付きから非教師付き, ハイブリッドまで, 記号列の4つの特徴選択手法について検討する。 UEA/UCRベンチマークの112のデータセットに対する実験では、MrSQMがすぐに有用な特徴を抽出できることが示されている。
  論文  参考訳（メタデータ） (2021-09-02T15:54:46Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)

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。