論文の概要: AutoCTS: Automated Correlated Time Series Forecasting -- Extended Version

• arxiv url: http://arxiv.org/abs/2112.11174v1
• Date: Tue, 21 Dec 2021 13:11:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-22 13:20:50.419673
• Title: AutoCTS: Automated Correlated Time Series Forecasting -- Extended Version
• Title（参考訳）: AutoCTS: 自動関連時系列予測 -- 拡張バージョン
• Authors: Xinle Wu, Dalin Zhang, Chenjuan Guo, Chaoyang He, Bin Yang, Christian S. Jensen
• Abstract要約: 相関時系列予測(CTS)は、多くのサイバー物理システムにおいて重要な役割を果たす。 現在の予測モデルは、モデルポテンシャルを制限するために、単純に同じSTブロックを複数回積み重ねる。 本稿では,高度に競争力のあるSTブロックを自動同定できるAutoCTSと,多様なトポロジを用いて接続された異種STブロックを用いた予測モデルを提案する。
• 参考スコア（独自算出の注目度）: 33.2633206664655
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Correlated time series (CTS) forecasting plays an essential role in many cyber-physical systems, where multiple sensors emit time series that capture interconnected processes. Solutions based on deep learning that deliver state-of-the-art CTS forecasting performance employ a variety of spatio-temporal (ST) blocks that are able to model temporal dependencies and spatial correlations among time series. However, two challenges remain. First, ST-blocks are designed manually, which is time consuming and costly. Second, existing forecasting models simply stack the same ST-blocks multiple times, which limits the model potential. To address these challenges, we propose AutoCTS that is able to automatically identify highly competitive ST-blocks as well as forecasting models with heterogeneous ST-blocks connected using diverse topologies, as opposed to the same ST-blocks connected using simple stacking. Specifically, we design both a micro and a macro search space to model possible architectures of ST-blocks and the connections among heterogeneous ST-blocks, and we provide a search strategy that is able to jointly explore the search spaces to identify optimal forecasting models. Extensive experiments on eight commonly used CTS forecasting benchmark datasets justify our design choices and demonstrate that AutoCTS is capable of automatically discovering forecasting models that outperform state-of-the-art human-designed models. This is an extended version of ``AutoCTS: Automated Correlated Time Series Forecasting'', to appear in PVLDB 2022.
• Abstract（参考訳）: 相関時系列(correlationed time series, cts)は、複数のセンサが相互に接続されたプロセスをキャプチャする時系列を発生させる、多くのサイバー物理システムにおいて重要な役割を担っている。 最先端のCTS予測性能を提供するディープラーニングに基づくソリューションでは、時系列間の時間的依存関係と空間的相関をモデル化できる様々な時空間ブロックが採用されている。 しかし、2つの課題が残る。 まず、STブロックは手動で設計される。 第2に、既存の予測モデルは同じSTブロックを複数回積み重ねただけで、モデルポテンシャルが制限される。 これらの課題に対処するために,我々は,競争性の高いstブロックを自動的に識別するオートctを提案するとともに,単純な積み重ねによって接続される同一のstブロックとは対照的に,異なるstブロックで接続されたモデルを予測する手法を提案する。 具体的には,STブロックの可能なアーキテクチャと異種STブロック間の接続をモデル化するためのマイクロおよびマクロ検索空間を設計し,探索空間を探索して最適な予測モデルを特定するための探索戦略を提案する。 一般的な8つのCTS予測ベンチマークデータセットに関する大規模な実験は、私たちの設計選択を正当化し、AutoCTSが、最先端の人間設計モデルを上回る予測モデルを自動的に発見できることを示した。 これはPVLDB 2022に登場予定の ``AutoCTS: Automated Correlated Time Series Forecasting'' の拡張版である。

関連論文リスト

• Higher-order Cross-structural Embedding Model for Time Series Analysis [12.35149125898563]
  時系列分析は、医療、金融、センサーネットワークといった様々な分野における重要な応用のために、注目されている。 現在のアプローチでは、時系列内の高次相互作用をモデル化し、時間的あるいは空間的依存関係を別々に学習することに注力しています。 本稿では,時間的視点と空間的視点の両方を協調的にモデル化する新しいフレームワークであるHigh-TS(Higher-order Cross-structural Embedding Model for Time Series)を提案する。
  論文  参考訳（メタデータ） (2024-10-30T12:51:14Z)
• 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)
• Disentangling Spatial and Temporal Learning for Efficient Image-to-Video Transfer Learning [59.26623999209235]
  ビデオの空間的側面と時間的側面の学習を両立させるDiSTを提案する。 DiSTの非絡み合い学習は、大量の事前学習パラメータのバックプロパゲーションを避けるため、非常に効率的である。 5つのベンチマークの大規模な実験は、DiSTが既存の最先端メソッドよりも優れたパフォーマンスを提供することを示す。
  論文  参考訳（メタデータ） (2023-09-14T17:58:33Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• ViTs for SITS: Vision Transformers for Satellite Image Time Series [52.012084080257544]
  ビジョン変換器(ViT)に基づく一般衛星画像時系列(SITS)処理のための完全アテンショナルモデルを提案する。 TSViTはSITSレコードを空間と時間で重複しないパッチに分割し、トークン化し、分解されたテンポロ空間エンコーダで処理する。
  論文  参考訳（メタデータ） (2023-01-12T11:33:07Z)
• Joint Neural Architecture and Hyperparameter Search for Correlated Time Series Forecasting [40.98168931058165]
  CTS予測の成功の鍵は、時系列の時間的ダイナミクスと時系列間の空間的相関を明らかにすることである。 ディープラーニングベースのソリューションは、これらの側面を識別する上で、素晴らしいパフォーマンスを示します。 我々は、効率的なCTS予測モデルを自動的に考案する、共同でスケーラブルなフレームワークであるSEARCHを提案する。
  論文  参考訳（メタデータ） (2022-11-29T12:03:54Z)
• Automated Dilated Spatio-Temporal Synchronous Graph Modeling for Traffic Prediction [1.6449390849183363]
  本稿では,トラフィック予測のための自動拡張時間同期グラフネットワーク予測であるAuto-DSTSを提案する。 具体的には,短期および長期の相関関係を捉えるための自動拡張時間時間グラフ (Auto-DSTS) モジュールを提案する。 我々のモデルは最先端の手法と比較して約10%改善できる。
  論文  参考訳（メタデータ） (2022-07-22T00:50:39Z)
• Pre-training Enhanced Spatial-temporal Graph Neural Network for Multivariate Time Series Forecasting [13.441945545904504]
  スケーラブルな時系列事前学習モデル(STEP)によりSTGNNが拡張される新しいフレームワークを提案する。 具体的には、非常に長期の歴史時系列から時間パターンを効率的に学習するための事前学習モデルを設計する。 我々のフレームワークは下流のSTGNNを著しく強化することができ、事前学習モデルは時間パターンを適切にキャプチャする。
  論文  参考訳（メタデータ） (2022-06-18T04:24:36Z)
• Towards Similarity-Aware Time-Series Classification [51.2400839966489]
  時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:14:57Z)
• Searching for Two-Stream Models in Multivariate Space for Video Recognition [80.25356538056839]
  本稿では,巨大空間における2ストリーム映像モデルを効率的に検索できる実用的ニューラルアーキテクチャ探索手法を提案する。 設計空間において,性能が著しく向上した2ストリームモデルを自動的に発見できることを実証する。
  論文  参考訳（メタデータ） (2021-08-30T02:03:28Z)
• Spatio-Temporal Ranked-Attention Networks for Video Captioning [34.05025890230047]
  2つの異なる順序でビデオに対する空間的および時間的注意を結合するモデルを提案する。 我々は、MSVDとMSR-VTTの2つのベンチマークデータセットについて実験を行った。 この結果,STモジュールとTSモジュールの相乗効果は最近の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-01-17T01:00:45Z)

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。