論文の概要: Low-Rank Autoregressive Tensor Completion for Multivariate Time Series
Forecasting
- arxiv url: http://arxiv.org/abs/2006.10436v1
- Date: Thu, 18 Jun 2020 11:31:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 12:38:35.928524
- Title: Low-Rank Autoregressive Tensor Completion for Multivariate Time Series
Forecasting
- Title（参考訳）: 多変量時系列予測のための低ランク自己回帰テンソル補完
- Authors: Xinyu Chen and Lijun Sun
- Abstract要約: センサーネットワークから収集された時系列は、しばしば大規模なものであり、かなりの腐敗と欠落した値で不完全である。
多変量時系列データをモデル化するための低ランク自己回帰テンソル補完(LATC)フレームワークを提案する。
実世界の3つのデータセットに関する数値実験により,LATCにおけるグローバル・ローカル・トレンドの統合の優位性を示した。
- 参考スコア（独自算出の注目度）: 15.927264813606637
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series prediction has been a long-standing research topic and an
essential application in many domains. Modern time series collected from sensor
networks (e.g., energy consumption and traffic flow) are often large-scale and
incomplete with considerable corruption and missing values, making it difficult
to perform accurate predictions. In this paper, we propose a low-rank
autoregressive tensor completion (LATC) framework to model multivariate time
series data. The key of LATC is to transform the original multivariate time
series matrix (e.g., sensor$\times$time point) to a third-order tensor
structure (e.g., sensor$\times$time of day$\times$day) by introducing an
additional temporal dimension, which allows us to model the inherent rhythms
and seasonality of time series as global patterns. With the tensor structure,
we can transform the time series prediction and missing data imputation
problems into a universal low-rank tensor completion problem. Besides
minimizing tensor rank, we also integrate a novel autoregressive norm on the
original matrix representation into the objective function. The two components
serve different roles. The low-rank structure allows us to effectively capture
the global consistency and trends across all the three dimensions (i.e.,
similarity among sensors, similarity of different days, and current time v.s.
the same time of historical days). The autoregressive norm can better model the
local temporal trends. Our numerical experiments on three real-world data sets
demonstrate the superiority of the integration of global and local trends in
LATC in both missing data imputation and rolling prediction tasks.
- Abstract（参考訳）: 時系列予測は長年の研究課題であり、多くの領域において重要な応用である。
センサネットワーク(例えば、エネルギー消費と交通流)から収集された現代の時系列は、しばしば大規模で、かなりの腐敗と不足した値で不完全であり、正確な予測を行うのが困難である。
本稿では,多変量時系列データをモデル化するための低ランク自己回帰テンソル補完(LATC)フレームワークを提案する。
LATCの鍵となるのは、元の多変量時系列行列(例えば、Sensor$\times$time point)を3階テンソル構造(例えば、Sensor$\times$time of day$\times$day)に変換することである。
テンソル構造により、時系列予測とデータ計算の欠如を普遍的な低ランクテンソル完備問題に変換することができる。
テンソルランクの最小化に加えて、元の行列表現に関する新しい自己回帰ノルムを目的関数に統合する。
2つの構成要素は異なる役割を担っている。
低ランク構造により、すべての3次元(センサ間の類似性、異なる日の類似性、そして現在の時刻対過去の同じ時刻)のグローバルな一貫性と傾向を効果的に捉えることができる。
自己回帰規範は、局所的な時間的傾向をより良くモデル化することができる。
実世界の3つのデータセットに関する数値実験により、LATCにおけるグローバルトレンドとローカルトレンドの統合が、欠落データ計算とローリング予測の両方において優れていることを示す。
関連論文リスト
- 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) - Learning Gaussian Mixture Representations for Tensor Time Series
Forecasting [8.31607451942671]
我々は、時間、位置、およびソース変数に暗示される各不均一成分を個別にモデル化する新しいTS予測フレームワークを開発する。
2つの実世界のTSデータセットによる実験結果は、最先端のベースラインと比較して、我々のアプローチの優位性を検証する。
論文 参考訳（メタデータ） (2023-06-01T06:50:47Z) - 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) - TimesNet: Temporal 2D-Variation Modeling for General Time Series
Analysis [80.56913334060404]
時系列解析は、天気予報、異常検出、行動認識などの応用において非常に重要である。
従来の手法では、1D時系列から直接これを達成しようと試みていた。
複雑な経時的変化を、複数の経時的変化と経時的変化に明らかにする。
論文 参考訳（メタデータ） (2022-10-05T12:19:51Z) - STING: Self-attention based Time-series Imputation Networks using GAN [4.052758394413726]
GANを用いたSING(Self-attention based Time-Series Imputation Networks)を提案する。
我々は、時系列の潜在表現を学習するために、生成的対向ネットワークと双方向リカレントニューラルネットワークを利用する。
3つの実世界のデータセットによる実験結果から、STINGは既存の最先端手法よりも計算精度が優れていることが示された。
論文 参考訳（メタデータ） (2022-09-22T06:06:56Z) - 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) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2022-05-16T07:53:42Z) - Hankel-structured Tensor Robust PCA for Multivariate Traffic Time Series
Anomaly Detection [9.067182100565695]
本研究では,空間データにおける異常検出のためのRPCAのハンケル構造テンソルバージョンを提案する。
劣化した行列を低ランクのハンケルテンソルとスパース行列に分解する。
本手法は, 合成データと乗客フロー時系列を用いて評価する。
論文 参考訳（メタデータ） (2021-10-08T19:35:39Z) - Low-Rank Autoregressive Tensor Completion for Spatiotemporal Traffic
Data Imputation [4.9831085918734805]
データ計算の欠如は長年の研究課題であり、現実世界のインテリジェント交通システムにとって重要な応用である。
テキストの時間変化を新たな正規化項として導入し,低ランク自動回帰テンソル補完(LATC)フレームワークを提案する。
本研究では,複数の実世界の交通データ集合について広範な数値実験を行い,LATCの有効性を実証した。
論文 参考訳（メタデータ） (2021-04-30T12:00:57Z) - A Deep Structural Model for Analyzing Correlated Multivariate Time
Series [11.009809732645888]
相関した多変量時系列入力を処理できる深層学習構造時系列モデルを提案する。
モデルは、トレンド、季節性、イベントコンポーネントを明示的に学習し、抽出する。
我々は,様々な時系列データセットに関する総合的な実験を通して,そのモデルと最先端のいくつかの手法を比較した。
論文 参考訳（メタデータ） (2020-01-02T18:48:29Z)
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。