Fugu-MT 論文翻訳(概要): Learning from Multiple Time Series: A Deep Disentangled Approach to Diversified Time Series Forecasting

論文の概要: Learning from Multiple Time Series: A Deep Disentangled Approach to Diversified Time Series Forecasting

arxiv url: http://arxiv.org/abs/2111.04942v1
Date: Tue, 9 Nov 2021 03:52:24 GMT
ステータス: 処理完了
システム内更新日: 2021-11-10 15:28:22.031664
Title: Learning from Multiple Time Series: A Deep Disentangled Approach to Diversified Time Series Forecasting
Title（参考訳）: 複数時系列からの学習: 多様な時系列予測に対する遠距離的アプローチ
Authors: Ling Chen, Weiqi Chen, Binqing Wu, Youdong Zhang, Bo Wen, Chenghu Yang
Abstract要約: DeepDGLは、ダイナミクスをグローバルな時間的パターンとローカルな時間的パターンに分離する、深い予測モデルである。実世界のいくつかのデータセットに対する我々の実験は、DeepDGLが既存の最先端モデルより優れていることを示している。
参考スコア（独自算出の注目度）: 7.568140878859946
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Time series forecasting is a significant problem in many applications, e.g., financial predictions and business optimization. Modern datasets can have multiple correlated time series, which are often generated with global (shared) regularities and local (specific) dynamics. In this paper, we seek to tackle such forecasting problems with DeepDGL, a deep forecasting model that disentangles dynamics into global and local temporal patterns. DeepDGL employs an encoder-decoder architecture, consisting of two encoders to learn global and local temporal patterns, respectively, and a decoder to make multi-step forecasting. Specifically, to model complicated global patterns, the vector quantization (VQ) module is introduced, allowing the global feature encoder to learn a shared codebook among all time series. To model diversified and heterogenous local patterns, an adaptive parameter generation module enhanced by the contrastive multi-horizon coding (CMC) is proposed to generate the parameters of the local feature encoder for each individual time series, which maximizes the mutual information between the series-specific context variable and the long/short-term representations of the corresponding time series. Our experiments on several real-world datasets show that DeepDGL outperforms existing state-of-the-art models.
Abstract（参考訳）: 時系列予測は、金融予測やビジネス最適化など、多くのアプリケーションにおいて重要な問題である。現代のデータセットは、複数の相関した時系列を持ち、これはしばしばグローバル(共有)正則性とローカル(特定の)ダイナミクスで生成される。本稿では,大域的・局所的な時間的パターンに動的に絡み合う深層予測モデルであるDeepDGLを用いて,このような予測問題に取り組む。 DeepDGLは、グローバルパターンとローカルパターンをそれぞれ学習する2つのエンコーダと、マルチステップ予測を行うデコーダで構成されるエンコーダデコーダアーキテクチャを採用している。具体的には、複雑なグローバルパターンをモデル化するために、ベクトル量子化(VQ)モジュールを導入し、グローバル機能エンコーダが全時系列間で共有コードブックを学習できるようにする。多様化した異種局所パターンをモデル化するために、コントラストマルチホリゾン符号化(cmc)により拡張された適応パラメータ生成モジュールを提案し、各時系列毎に局所特徴エンコーダのパラメータを生成し、系列固有のコンテキスト変数と対応する時系列の長短期表現との相互情報を最大化する。実世界のいくつかのデータセットに対する我々の実験は、DeepDGLが既存の最先端モデルより優れていることを示している。

関連論文リスト

Learning Pattern-Specific Experts for Time Series Forecasting Under Patch-level Distribution Shift [30.581736814767606]
時系列予測は、過去のデータに基づいて将来の価値を予測することを目的としている。実世界の時間はしばしば、季節、動作条件、意味的な意味など、セグメントごとに異なるパターンを持つ複雑な非一様分布を示す。本稿では,より正確で適応可能な時系列予測のために,パターン特化の専門家を活用した新しいアーキテクチャbftextSを提案する。
論文参考訳（メタデータ） (2024-10-13T13:35:29Z)
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)
MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。予測性能を高めるために3段階の相関を同時に検討する。注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
論文参考訳（メタデータ） (2024-05-30T03:32:44Z)
ForecastGrapher: Redefining Multivariate Time Series Forecasting with Graph Neural Networks [9.006068771300377]
本稿では、複雑な時間的ダイナミクスと系列間相関をキャプチャするフレームワークであるForecastGrapherを紹介する。提案手法は,各系列の時間的変動を反映するカスタムノード埋め込みの生成,系列間の相関関係を符号化する適応的隣接行列の構築,および第3に,ノード特徴分布の多様化によるGNNの表現力の増大という,3つの重要なステップによって支えられている。
論文参考訳（メタデータ） (2024-05-28T10:40:20Z)
Context Neural Networks: A Scalable Multivariate Model for Time Series Forecasting [5.5711773076846365]
実世界の時系列は、しばしば孤立して取得できない複雑な相互依存性を示す。本稿では,時系列モデルに関連性のある文脈洞察を付加する,効率的な線形複雑化手法であるContext Neural Networkを紹介する。
論文参考訳（メタデータ） (2024-05-12T00:21:57Z)
Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-02-04T20:00:45Z)
Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
論文参考訳（メタデータ） (2024-02-04T06:55:55Z)
Time-LLM: Time Series Forecasting by Reprogramming Large Language Models [110.20279343734548]
時系列予測は多くの実世界の力学系において重要な意味を持つ。時系列予測のための大規模言語モデルを再利用するための再プログラミングフレームワークであるTime-LLMを提案する。 Time-LLMは、最先端の特殊な予測モデルよりも優れた、強力な時系列学習者である。
論文参考訳（メタデータ） (2023-10-03T01:31:25Z)
Recurrent Auto-Encoder With Multi-Resolution Ensemble and Predictive Coding for Multivariate Time-Series Anomaly Detection [3.772827533440353]
実世界の時系列データは複雑な時間的依存関係を示す。 RAE-M EPCは多解像度アンサンブルと予測符号化に基づいて情報正規表現を学習する。実世界のベンチマークデータセットの実験は、提案されたモデルがベンチマークモデルより優れていることを示している。
論文参考訳（メタデータ） (2022-02-21T05:47:22Z)
PIETS: Parallelised Irregularity Encoders for Forecasting with Heterogeneous Time-Series [5.911865723926626]
マルチソースデータセットの不均一性と不規則性は時系列解析において重要な課題となる。本研究では、異種時系列をモデル化するための新しいアーキテクチャ、PIETSを設計する。 PIETSは異種時間データを効果的にモデル化し、予測タスクにおける他の最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-09-30T20:01:19Z)
Deep Autoregressive Models with Spectral Attention [74.08846528440024]
本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
論文参考訳（メタデータ） (2021-07-13T11:08:47Z)

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。