論文の概要: Time Series Analysis via Network Science: Concepts and Algorithms
- arxiv url: http://arxiv.org/abs/2110.09887v1
- Date: Mon, 11 Oct 2021 13:33:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-24 04:35:22.108155
- Title: Time Series Analysis via Network Science: Concepts and Algorithms
- Title(参考訳): ネットワーク科学による時系列解析:概念とアルゴリズム
- Authors: Vanessa Freitas Silva, Maria Eduarda Silva, Pedro Ribeiro and Fernando
Silva
- Abstract要約: 本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。
我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。
ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
- 参考スコア(独自算出の注目度): 62.997667081978825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There is nowadays a constant flux of data being generated and collected in
all types of real world systems. These data sets are often indexed by time,
space or both requiring appropriate approaches to analyze the data. In
univariate settings, time series analysis is a mature and solid field. However,
in multivariate contexts, time series analysis still presents many limitations.
In order to address these issues, the last decade has brought approaches based
on network science. These methods involve transforming an initial time series
data set into one or more networks, which can be analyzed in depth to provide
insight into the original time series. This review provides a comprehensive
overview of existing mapping methods for transforming time series into networks
for a wide audience of researchers and practitioners in machine learning, data
mining and time series. Our main contribution is a structured review of
existing methodologies, identifying their main characteristics and their
differences. We describe the main conceptual approaches, provide authoritative
references and give insight into their advantages and limitations in a unified
notation and language. We first describe the case of univariate time series,
which can be mapped to single layer networks, and we divide the current
mappings based on the underlying concept: visibility, transition and proximity.
We then proceed with multivariate time series discussing both single layer and
multiple layer approaches. Although still very recent, this research area has
much potential and with this survey we intend to pave the way for future
research on the topic.
- Abstract(参考訳): 現在、あらゆる種類の現実世界システムにおいて、データの一定のフラックスが生成され、収集されている。
これらのデータセットは、時間、空間、あるいはデータ分析に適切なアプローチを必要とする場合が多い。
単変量設定では、時系列解析は成熟し固い分野である。
しかし、多変量文脈では、時系列解析には多くの制限がある。
これらの問題に対処するため、この10年間、ネットワーク科学に基づくアプローチを導入してきた。
これらの方法は、最初の時系列データを1つ以上のネットワークに変換することで、元の時系列についての洞察を深く分析することができる。
本総説では,機械学習,データマイニング,時系列の研究者や実践者を対象に,時系列をネットワークに変換する既存のマッピング手法の概要について述べる。
私たちの主な貢献は、既存の方法論の構造化されたレビューであり、その主な特徴と違いを特定します。
我々は、主要な概念的アプローチを説明し、権威的参照を提供し、統一表記と言語におけるそれらの利点と限界について洞察を与える。
まず,単層ネットワークにマッピング可能な不平等時系列の場合を説明し,その基礎となる概念である可視性,遷移性,近接性に基づいて現在のマッピングを分割する。
次に,単一層と複数層の両方のアプローチを議論する多変量時系列について述べる。
ごく最近の研究だが、この研究領域には大きな可能性があり、今後の研究の道を開くことを目的としている。
関連論文リスト
- General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。
時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。
自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
論文 参考訳(メタデータ) (2025-02-05T15:20:04Z) - Towards Generalisable Time Series Understanding Across Domains [10.350643783811174]
時系列の不均一性を扱うために特別に設計された新しい事前学習パラダイムを導入する。
本稿では、学習可能なドメインシグネチャ、二重マスキング戦略、正規化相互相関損失を持つトークンサを提案する。
私たちのコードと事前訓練されたウェイトはhttps://www.oetu.com/oetu/otis.comで公開されています。
論文 参考訳(メタデータ) (2024-10-09T17:09:30Z) - Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
時系列データは、現実世界のシナリオにおいて非常に重要である。
近年、時系列コミュニティで顕著なブレークスルーが見られた。
多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
論文 参考訳(メタデータ) (2024-07-18T08:31:55Z) - A Survey of Time Series Foundation Models: Generalizing Time Series Representation with Large Language Model [33.17908422599714]
大規模な言語基盤モデルは、クロスタスク転送性、ゼロショット/フェーショット学習、意思決定説明性といった機能を公開した。
主な研究線は2つあり、例えば、時系列のためにゼロから事前訓練された基礎モデルと、時系列のために大きな言語基盤モデルを適用することである。
本調査は,関連研究の総合的な調査を行うための3E分析フレームワークを提供する。
論文 参考訳(メタデータ) (2024-05-03T03:12:55Z) - Temporal Treasure Hunt: Content-based Time Series Retrieval System for
Discovering Insights [34.1973242428317]
時系列データは、金融、医療、製造業など、さまざまな分野にまたがっている。
Content-based Time Series Retrieval(CTSR)を実行する能力は、未知の時系列例を特定する上で重要である。
我々は,様々な領域の時系列データを含むCTSRベンチマークデータセットを提案する。
論文 参考訳(メタデータ) (2023-11-05T04:12:13Z) - Self-Supervised Learning for Time Series Analysis: Taxonomy, Progress, and Prospects [84.6945070729684]
自己教師付き学習(SSL)は、最近、様々な時系列タスクで印象的なパフォーマンスを達成した。
この記事では、時系列データに対する最先端のSSLメソッドについてレビューする。
論文 参考訳(メタデータ) (2023-06-16T18:23:10Z) - Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
時系列データは、気候、経済、医療などいくつかの領域で広く使われている。
最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。
ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
論文 参考訳(メタデータ) (2021-10-11T13:46:28Z) - Deep learning for time series classification [2.0305676256390934]
時系列分析により、時間の経過とともにプロセスの進化を可視化し、理解することができます。
時系列分類は時系列データを自動的にラベル付けするアルゴリズムで構成されている。
ディープラーニングは、教師付き分類タスクに対処する最も効果的な方法の1つとして登場した。
論文 参考訳(メタデータ) (2020-10-01T17:38:40Z) - 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)
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。