論文の概要: On Multivariate Singular Spectrum Analysis and its Variants

• arxiv url: http://arxiv.org/abs/2006.13448v5
• Date: Sun, 19 Jun 2022 04:16:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 09:15:33.810031
• Title: On Multivariate Singular Spectrum Analysis and its Variants
• Title（参考訳）: 多変量特異スペクトル解析とその変異について
• Authors: Anish Agarwal, Abdullah Alomar, Devavrat Shah
• Abstract要約: 本稿では,多変量特異解析 (mSSA) の変種を導入,解析する。 我々は、計算とサンプル外予測の両方に対して平均2乗誤差を1/sqrtmin(N, T )T$として効果的に設定する。 ベンチマークデータセットでは、我々のmSSAの変種は最先端のニューラルネットワーク時系列手法と競合する。
• 参考スコア（独自算出の注目度）: 23.517864567789353
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce and analyze a variant of multivariate singular spectrum analysis (mSSA), a popular time series method to impute and forecast a multivariate time series. Under a spatio-temporal factor model we introduce, given $N$ time series and $T$ observations per time series, we establish prediction mean-squared-error for both imputation and out-of-sample forecasting effectively scale as $1 / \sqrt{\min(N, T )T}$. This is an improvement over: (i) $1 /\sqrt{T}$ error scaling of SSA, the restriction of mSSA to a univariate time series; (ii) $1/\min(N, T)$ error scaling for matrix estimation methods which do not exploit temporal structure in the data. The spatio-temporal model we introduce includes any finite sum and products of: harmonics, polynomials, differentiable periodic functions, and Holder continuous functions. Our out-of-sample forecasting result could be of independent interest for online learning under a spatio-temporal factor model. Empirically, on benchmark datasets, our variant of mSSA performs competitively with state-of-the-art neural-network time series methods (e.g. DeepAR, LSTM) and significantly outperforms classical methods such as vector autoregression (VAR). Finally, we propose extensions of mSSA: (i) a variant to estimate time-varying variance of a time series; (ii) a tensor variant which has better sample complexity for certain regimes of $N$ and $T$.
• Abstract（参考訳）: 多変量特異スペクトル分析(mSSA)の変種を導入,解析し,多変量時系列をインプットし,予測する一般的な時系列法を提案する。 時系列にn$の時系列とt$の観測を与えられた時空間的因子モデルでは、予測平均二乗誤差をインプテーションとサンプル外予測の両方に設定し、1 / \sqrt{\min(n, t )t}$と効果的に拡張する。 これは改善点です (i)$/\sqrt{T}$SSAのエラースケーリング、mSSAを単変量時系列に制限すること。 (ii)1/\min(N, T)$エラースケーリングは,データ中の時間構造を利用していない行列推定法である。 私たちが導入した時空間モデルは、調和、多項式、微分可能周期関数、ホルダー連続関数の任意の有限和と積を含む。 我々のアウトオブサンプル予測結果は、時空間モデルの下でオンライン学習に独立した関心を持つ可能性がある。 実験的に、ベンチマークデータセット上で、我々のmSSAの変種は最先端のニューラルネットワーク時系列メソッド(例えばDeepAR、LSTM)と競合して動作し、ベクトル自己回帰(VAR)のような古典的手法よりも大幅に優れている。 最後にmSSAの拡張を提案する。 (i)時系列の時間変動を推定する変種 (ii)$N$と$T$の特定のレギュレーションに対してより良いサンプリング複雑性を持つテンソル変種。

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)
• MixLinear: Extreme Low Resource Multivariate Time Series Forecasting with 0.1K Parameters [6.733646592789575]
  時系列予測(LTSF)は、パターンや傾向を特定するために、大量の時系列データを分析することによって、長期的な価値を予測する。 トランスフォーマーベースのモデルは高い予測精度を提供するが、ハードウェア制約のあるデバイスにデプロイするには計算集約的すぎることが多い。 資源制約のあるデバイスに特化して設計された超軽量時系列予測モデルであるMixLinearを提案する。
  論文  参考訳（メタデータ） (2024-10-02T23:04:57Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
  本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。 実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
  論文  参考訳（メタデータ） (2023-10-17T06:29:09Z)
• MPPN: Multi-Resolution Periodic Pattern Network For Long-Term Time Series Forecasting [19.573651104129443]
  長期の時系列予測は、様々な現実のシナリオにおいて重要な役割を果たす。 近年の時系列予測の深層学習手法は,分解法やサンプリング法により時系列の複雑なパターンを捉える傾向にある。 本稿では,MPPN(Multi- resolution Periodic Pattern Network)という,長期連続予測のための新しいディープラーニング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） (2023-06-12T07:00:37Z)
• 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)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Deep Switching State Space Model (DS$^3$M) for Nonlinear Time Series Forecasting with Regime Switching [3.3970049571884204]
  本稿では,非線形時系列の効率的な推測と予測を行うための切替状態空間モデル(DS$3$M)を提案する。 レギュラー間のスイッチングは、離散変数と連続変数の両方によって、繰り返しニューラルネットワークによって捉えられる。
  論文  参考訳（メタデータ） (2021-06-04T08:25:47Z)
• Bayesian Feature Selection in Joint Quantile Time Series Analysis [1.2419096638953384]
  本研究では,高次元結合量子時系列解析における特徴選択のための一般ベイズ次元削減手法を提案する。 QFSTSモデルは一般的な構造時系列モデルであり、各コンポーネントは時系列モデリングに付加的な寄与をもたらす。 QFSTSモデルは、特徴選択、パラメータ推定、予測において優れた性能を有する。
  論文  参考訳（メタデータ） (2020-10-04T18:56:34Z)
• Supervised Feature Subset Selection and Feature Ranking for Multivariate Time Series without Feature Extraction [78.84356269545157]
  MTS分類のための教師付き特徴ランキングと特徴サブセット選択アルゴリズムを導入する。 MTSの既存の教師なし特徴選択アルゴリズムとは異なり、我々の手法は時系列から一次元特徴ベクトルを生成するために特徴抽出ステップを必要としない。
  論文  参考訳（メタデータ） (2020-05-01T07:46:29Z)
• 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。