論文の概要: Modeling Regime Shifts in Multiple Time Series

• arxiv url: http://arxiv.org/abs/2109.09692v1
• Date: Mon, 20 Sep 2021 17:02:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 19:02:58.831054
• Title: Modeling Regime Shifts in Multiple Time Series
• Title（参考訳）: 複数の時系列におけるモデリングレジームシフト
• Authors: Etienne Gael Tajeuna and Mohamed Bouguessa and Shengrui Wang
• Abstract要約: レジームシフト(Regime shift)とは、時系列によって異なる時間間隔で表される変動行動を指す。 既存の手法では、時系列間の関係を考慮に入れず、複数の時系列における状態の発見に失敗する。 既存のメソッドのほとんどは、統一されたフレームワークでこれらの3つの問題すべてを扱うことができません。
• 参考スコア（独自算出の注目度）: 1.4588552933974936
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: We investigate the problem of discovering and modeling regime shifts in an ecosystem comprising multiple time series known as co-evolving time series. Regime shifts refer to the changing behaviors exhibited by series at different time intervals. Learning these changing behaviors is a key step toward time series forecasting. While advances have been made, existing methods suffer from one or more of the following shortcomings: (1) failure to take relationships between time series into consideration for discovering regimes in multiple time series; (2) lack of an effective approach that models time-dependent behaviors exhibited by series; (3) difficulties in handling data discontinuities which may be informative. Most of the existing methods are unable to handle all of these three issues in a unified framework. This, therefore, motivates our effort to devise a principled approach for modeling interactions and time-dependency in co-evolving time series. Specifically, we model an ecosystem of multiple time series by summarizing the heavy ensemble of time series into a lighter and more meaningful structure called a \textit{mapping grid}. By using the mapping grid, our model first learns time series behavioral dependencies through a dynamic network representation, then learns the regime transition mechanism via a full time-dependent Cox regression model. The originality of our approach lies in modeling interactions between time series in regime identification and in modeling time-dependent regime transition probabilities, usually assumed to be static in existing work.
• Abstract（参考訳）: 本研究では,共進化時系列として知られる複数時系列からなる生態系における状態変化の発見とモデル化の課題について検討する。 レジームシフトは、異なる時間間隔で時系列によって示される変化行動を指す。 これらの変化の振る舞いを学ぶことは、時系列予測への重要なステップである。 1) 時系列間の関係を複数の時系列におけるレジームの発見に考慮しないこと,(2) 時系列によって示される時間依存行動をモデル化する効果的なアプローチの欠如,(3) 有益なデータ不連続を扱うことの難しさである。 既存のメソッドのほとんどは、これら3つの問題を統一フレームワークで処理できない。 そのため、共進化する時系列における相互作用と時間依存をモデル化するための原則的なアプローチを考案する努力を動機付けています。 具体的には、時系列の重アンサンブルを、より軽量で意味のある構造である \textit{mapping grid} にまとめることで、複数の時系列のエコシステムをモデル化する。 マッピンググリッドを用いることで、まず動的ネットワーク表現を通じて時系列の挙動依存を学習し、次に完全な時間依存のCox回帰モデルを用いて状態遷移機構を学習する。 私たちのアプローチの独創性は、レジーム識別における時系列間の相互作用のモデリングと、通常既存の作業において静的であると仮定される時間依存レジーム遷移確率のモデリングにあります。

関連論文リスト

• UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
  フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。 提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
  論文  参考訳（メタデータ） (2024-06-07T14:39:28Z)
• 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)
• SageFormer: Series-Aware Framework for Long-term Multivariate Time Series Forecasting [16.395374003276817]
  本稿では,シリーズ間の依存関係の重要性を強調するために,新たなシリーズアウェアフレームワークを提案する。 グラフ強化トランスフォーマーモデルとして、SageFormerはグラフ構造を用いて、シリーズ間の複雑な関係を巧みに識別し、モデル化する。 特に、シリーズ対応フレームワークは既存のTransformerベースのモデルとシームレスに統合され、シリーズ間の関係を理解する能力が強化されている。
  論文  参考訳（メタデータ） (2023-07-04T10:08:25Z)
• Finding Short Signals in Long Irregular Time Series with Continuous-Time Attention Policy Networks [18.401817124823832]
  不規則にサンプリングされた時系列(ITS)は、医療のような高インパクト領域に固有のものであり、不均一な間隔で測定が時間とともに収集される。 入力系列の時系列の高関連部分を明示的に求め,多変量 ITS を分類するモデル CAT を提案する。 合成データと実データを用いて、CATは長い不規則な時系列で短い信号を見つけることで、最先端の10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） (2023-02-08T13:44:36Z)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• 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)
• Learning Temporal Dynamics from Cycles in Narrated Video [85.89096034281694]
  時が経つにつれて世界がどのように変化するかをモデル化する学習問題に対する自己監督型ソリューションを提案します。 私たちのモデルは、前方および後方の時間を予測するためにモダリティに依存しない関数を学習します。 将来的な動作の予測や画像の時間的順序付けなど,様々なタスクに対して,学習されたダイナミクスモデルを適用する。
  論文  参考訳（メタデータ） (2021-01-07T02:41:32Z)
• A Non-linear Function-on-Function Model for Regression with Time Series Data [11.738565299608721]
  本稿では,関数-オン-ファンクショナル・リニア・モデルを採用した一般関数写像を提案する。 次に、完全連結ニューラルネットワークを用いた非線形関数オン・ファンクションモデルを提案し、データからマッピングを学習する。 提案手法の有効性を実世界の2つの問題に適用することで実証する。
  論文  参考訳（メタデータ） (2020-11-24T20:51:27Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)
• 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。