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
- Deep Learning for Multivariate Time Series Imputation: A Survey [36.72913706617057]
本稿では,最近提案されたディープラーニング計算手法に関する総合的な調査を行う。
本稿では,本手法の分類法を提案し,その強度と限界を明らかにすることによって,これらの手法の構造化されたレビューを行う。
また、異なる手法の研究や下流タスクの強化を比較するための実証実験も行います。
論文 参考訳(メタデータ) (2024-02-06T15:03:53Z) - Position Paper: What Can Large Language Models Tell Us about Time Series
Analysis [72.33053089061899]
現在の大規模言語モデル(LLM)は時系列解析に革命をもたらす可能性があると我々は主張する。
このような進歩は、モダリティスイッチングや時系列質問応答など、幅広い可能性を解き放つ可能性がある。
論文 参考訳(メタデータ) (2024-02-05T04:17:49Z) - 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) - Evaluating Explanation Methods for Multivariate Time Series
Classification [4.817429789586127]
本論文の主な焦点は多変量時系列分類(MTSC)に適した説明手法の分析と評価である。
分類決定に最も関係の深いチャンネルや時系列ポイントを指摘できる唾液度に基づく説明法に着目する。
これらの手法を3つの合成データセットと2つの実世界のデータセットで検討し、提供された説明を定量的に定性的に分析する。
論文 参考訳(メタデータ) (2023-08-29T11:24:12Z) - Self-Supervised Learning for Time Series Analysis: Taxonomy, Progress,
and Prospects [87.21528291896783]
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) - 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) - 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。