論文の概要: A Robust and Efficient Multi-Scale Seasonal-Trend Decomposition

• arxiv url: http://arxiv.org/abs/2109.08800v1
• Date: Sat, 18 Sep 2021 01:46:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 16:00:17.938634
• Title: A Robust and Efficient Multi-Scale Seasonal-Trend Decomposition
• Title（参考訳）: ロバストかつ効率的な多スケール季節トレンド分解
• Authors: Linxiao Yang, Qingsong Wen, Bo Yang, Liang Sun
• Abstract要約: 複数の季節性を持つ時系列に対して,汎用的で効率的な季節差分解アルゴリズムを提案する。 実験の結果, 精度が大幅に向上し, 正確な分解結果が得られた。
• 参考スコア（独自算出の注目度）: 15.530254957486873
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many real-world time series exhibit multiple seasonality with different lengths. The removal of seasonal components is crucial in numerous applications of time series, including forecasting and anomaly detection. However, many seasonal-trend decomposition algorithms suffer from high computational cost and require a large amount of data when multiple seasonal components exist, especially when the periodic length is long. In this paper, we propose a general and efficient multi-scale seasonal-trend decomposition algorithm for time series with multiple seasonality. We first down-sample the original time series onto a lower resolution, and then convert it to a time series with single seasonality. Thus, existing seasonal-trend decomposition algorithms can be applied directly to obtain the rough estimates of trend and the seasonal component corresponding to the longer periodic length. By considering the relationship between different resolutions, we formulate the recovery of different components on the high resolution as an optimization problem, which is solved efficiently by our alternative direction multiplier method (ADMM) based algorithm. Our experimental results demonstrate the accurate decomposition results with significantly improved efficiency.
• Abstract（参考訳）: 多くの現実世界の時系列は、異なる長さの複数の季節性を示す。 季節成分の除去は、予測や異常検出を含む時系列の多くの応用において重要である。 しかし、多くの季節分解アルゴリズムは計算コストが高く、複数の季節成分が存在する場合、特に周期長が長い場合、大量のデータを必要とする。 本稿では,複数の季節性を有する時系列の汎用的かつ効率的なマルチスケール・季節-トレンド分解アルゴリズムを提案する。 まず最初に、オリジナルの時系列を低い解像度にダウンサンプルし、その後、単一の季節の時系列に変換する。 これにより、既存の季節-トレンド分解アルゴリズムを直接適用して、より長い周期長に対応する傾向と季節成分の粗い推定を行うことができる。 異なる分解能間の関係を考慮し、最適化問題として高分解能上の異なる成分の回収を定式化し、代替方向乗算器法(ADMM)に基づくアルゴリズムにより効率よく解決する。 実験の結果, 効率が大幅に向上した正確な分解結果が得られた。

関連論文リスト

• Multi-Scale Dilated Convolution Network for Long-Term Time Series Forecasting [17.132063819650355]
  時系列の周期と傾向を捉えるために,MSDCN(Multi Scale Dilated Convolution Network)を提案する。 指数関数的に増加する拡張と異なるカーネルサイズを持つ異なる畳み込みブロックを設計し、異なるスケールで時系列データをサンプリングする。 提案手法の有効性を検証するため,8つの長期時系列予測ベンチマークデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-05-09T02:11:01Z)
• 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)
• A Multi-Scale Decomposition MLP-Mixer for Time Series Analysis [14.40202378972828]
  そこで我々は,MSD-Mixerを提案する。MSD-Mixerは,各レイヤの入力時系列を明示的に分解し,表現することを学ぶマルチスケール分解ミクサーである。 我々は,MSD-Mixerが他の最先端のアルゴリズムよりも効率よく優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-18T13:39:07Z)
• 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)
• Unravel Anomalies: An End-to-end Seasonal-Trend Decomposition Approach for Time Series Anomaly Detection [22.002053911451604]
  従来の時系列異常検出(TAD)法は、複雑な時系列データの合成にしばしば苦労する。 本稿では,季節傾向分解を利用して,様々な種類の異常を特定の分解成分に関連付ける,エンド・ツー・エンドのTADモデルであるTADNetを紹介する。 合成データセットの事前学習と微調整を併用したトレーニング手法は,効率的な分解と高精度な異常検出のバランスを崩す。
  論文  参考訳（メタデータ） (2023-09-30T06:08:37Z)
• Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
  天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。 時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。 我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。 提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
  論文  参考訳（メタデータ） (2022-10-02T06:58:49Z)
• 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)
• Triformer: Triangular, Variable-Specific Attentions for Long Sequence Multivariate Time Series Forecasting--Full Version [50.43914511877446]
  本稿では,高い効率と精度を確保するために,三角形,可変特性に着目した注意点を提案する。 我々はTriformerが精度と効率の両方で最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-28T20:41:49Z)
• STD: A Seasonal-Trend-Dispersion Decomposition of Time Series [0.0]
  本稿では,時系列における不均一性を扱うために,季節差分散分解(STD)を提案する。 時系列解析と予測にSTDをどのように利用できるかを示す。
  論文  参考訳（メタデータ） (2022-04-21T20:32:20Z)
• Instance-wise Graph-based Framework for Multivariate Time Series Forecasting [69.38716332931986]
  我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。 私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
  論文  参考訳（メタデータ） (2021-09-14T07:38:35Z)
• OnlineSTL: Scaling Time Series Decomposition by 100x [0.0]
  OnlineSTLは時系列分解のための新しいオンラインアルゴリズムである。 OnlineSTLは、高解像度、高取り込み率データに基づくリアルタイムメトリクス監視のためにデプロイされる。
  論文  参考訳（メタデータ） (2021-07-19T19:03:27Z)

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。