論文の概要: Multi-step-ahead Prediction from Short-term Data by
Delay-embedding-based Forecast Machine
- arxiv url: http://arxiv.org/abs/2005.07842v1
- Date: Sat, 16 May 2020 01:48:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 13:31:44.211692
- Title: Multi-step-ahead Prediction from Short-term Data by
Delay-embedding-based Forecast Machine
- Title(参考訳): 遅延埋め込み型フォアキャストマシンによる短期データからのマルチステップ予測
- Authors: Hao Peng, Pei Chen, Rui Liu
- Abstract要約: 本稿では,delay-Embedding-based Forecast Machine (DEFM)を提案する。
DEFMは、深層学習を用いて、短期力学から空間的およびシーケンシャルに関連付けられた情報を抽出する。
DEFMの有効性と精度は、代表モデルと6つの実世界のデータセットの両方に適用することで実証される。
- 参考スコア(独自算出の注目度): 30.316133273354065
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Making accurate multi-step-ahead prediction for a complex system is a
challenge for many practical applications, especially when only short-term
time-series data are available. In this work, we proposed a novel framework,
Delay-Embedding-based Forecast Machine (DEFM), to predict the future values of
a target variable in an accurate and multi-step-ahead manner based on the
high-dimensional short-term measurements. With a three-module spatiotemporal
architecture, DEFM leverages deep learning to effectively extract both the
spatially and sequentially associated information from the short-term dynamics
even with time-varying parameters or additive noise. Being trained through a
self-supervised scheme, DEFM well fits a nonlinear transformation that maps
from the observed high-dimensional information to the delay embeddings of a
target variable, thus predicting the future information. The effectiveness and
accuracy of DEFM is demonstrated by applications on both representative models
and six real-world datasets. The comparison with four traditional prediction
methods exhibits the superiority and robustness of DEFM.
- Abstract(参考訳): 複雑なシステムに対して正確なマルチステップ予測を行うことは、特に短期的な時系列データしか利用できない場合、多くの実用的なアプリケーションにとって困難である。
本研究では,高次元短期計測に基づいて,対象変数の将来値を高精度かつ多段階的に予測する新しいフレームワークであるdelay-Embedding-based Forecast Machine (DEFM)を提案する。
3モジュール時空間アーキテクチャでは、DeFMは深層学習を利用して、時間的パラメータや付加雑音であっても、短時間のダイナミクスから空間的およびシーケンシャルに関連付けられた情報を効果的に抽出する。
自己教師型スキームによって訓練されたDEFMは、観測された高次元情報から対象変数の遅延埋め込みにマップする非線形変換によく適合し、将来の情報を予測する。
DEFMの有効性と精度は、代表モデルと6つの実世界のデータセットの両方に適用することで実証される。
従来の4つの予測手法との比較は, DEFMの優位性と堅牢性を示している。
関連論文リスト
- The Bigger the Better? Rethinking the Effective Model Scale in Long-term
Time Series Forecasting [57.00348861248051]
時系列予測は時系列分析において重要なフロンティアである。
階層的な分解で拡張された軽量トランスフォーマーであるHDformerを紹介する。
HDformerは既存のLTSFモデルよりも優れており、パラメータは99%以上少ない。
論文 参考訳(メタデータ) (2024-01-22T13:15:40Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳(メタデータ) (2024-01-12T22:51:48Z) - HiMTM: Hierarchical Multi-Scale Masked Time Series Modeling for
Long-Term Forecasting [18.59792043113792]
HiMTMは長期予測のために設計された階層型マルチスケールマスク時系列モデリング手法である。
1)階層型マルチスケールトランスフォーマー(HMT)と,(2)デカップリングエンコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコーダデコンダデコンダデコーダデコンダデコンダデコンダデコンダデコンダデコンダデコンダデコンダナデコンダデコンダナデコンダデコンダダデコンダデコンダデコンダデコンダデコンダデコンダダデコンダデコンダデコンダデコンダデコンダ(DED)デコンダデコンダデコンダ(DED)デコーダ(DED)デコンダ(DED)デコンダデ
我々は、7つの主流データセットに対する広範な実験を行い、現代の自己教師とエンドツーエンドの学習方法に対して、HiMTMが明らかなアドバンテージを持っていることを証明した。
論文 参考訳(メタデータ) (2024-01-10T09:00:03Z) - 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) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳(メタデータ) (2023-01-05T13:59:29Z) - Time Series Prediction by Multi-task GPR with Spatiotemporal Information
Transformation [3.7144216461529216]
MTGPRMachineと呼ばれる新しい手法を開発し、短時間の時系列から正確な予測を行う。
具体的には、まず、高次元/空間情報から任意の対象変数の時間的/動的情報に変換するために、複数のリンクされたSTIマッピングである特定のマルチタスクGPRを構築する。
MTGPRMachineが他の既存手法より優れていることを明らかに検証した。
論文 参考訳(メタデータ) (2022-04-26T05:51:19Z) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳(メタデータ) (2022-02-17T02:17:31Z) - MUSE-VAE: Multi-Scale VAE for Environment-Aware Long Term Trajectory
Prediction [28.438787700968703]
条件付きMUSEは、現在の最先端技術と比較して、多様かつ同時に正確な予測を提供する。
我々は、新しい合成データセットであるPFSDと同様に、nuScenesとSDDベンチマークに関する包括的な実験を通してこれらのアサーションを実証する。
論文 参考訳(メタデータ) (2022-01-18T18:40:03Z) - An autoencoder wavelet based deep neural network with attention
mechanism for multistep prediction of plant growth [4.077787659104315]
本稿では,植物茎径変動予測(sdv)に着目した農業における植物成長予測手法を提案する。
ウェーブレット分解を元のデータに適用し、モデルフィッティングを容易にし、ノイズを低減する。
エンコーダ・デコーダフレームワークはLong Short Term Memory (LSTM)を用いて開発され、データから適切な特徴抽出に使用される。
時系列データの長期依存性をモデル化するために,LSTMと注意メカニズムを含む繰り返しニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2020-12-07T20:30:39Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳(メタデータ) (2020-02-21T13:48:13Z)
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。