論文の概要: AutoFITS: Automatic Feature Engineering for Irregular Time Series

• arxiv url: http://arxiv.org/abs/2112.14806v1
• Date: Wed, 29 Dec 2021 19:42:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-03 15:06:56.295230
• Title: AutoFITS: Automatic Feature Engineering for Irregular Time Series
• Title（参考訳）: AutoFITS:不規則時系列の自動特徴工学
• Authors: Pedro Costa, Vitor Cerqueira, Jo\~ao Vinagre
• Abstract要約: 不規則な時系列では、各観測が収集される時間はデータのダイナミクスを要約し、予測性能を向上させるのに役立つ。 我々は,各インスタンスが収集された際に,この視点から情報を抽出することに焦点を当てた,新しい自動機能エンジニアリングフレームワークを開発する。 時系列予測ワークフローに組み込むことによって,この情報の価値を検証し,時系列予測のための最新手法との比較や補完方法について検討する。
• 参考スコア（独自算出の注目度）: 0.44198435146063353
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A time series represents a set of observations collected over time. Typically, these observations are captured with a uniform sampling frequency (e.g. daily). When data points are observed in uneven time intervals the time series is referred to as irregular or intermittent. In such scenarios, the most common solution is to reconstruct the time series to make it regular, thus removing its intermittency. We hypothesise that, in irregular time series, the time at which each observation is collected may be helpful to summarise the dynamics of the data and improve forecasting performance. We study this idea by developing a novel automatic feature engineering framework, which focuses on extracting information from this point of view, i.e., when each instance is collected. We study how valuable this information is by integrating it in a time series forecasting workflow and investigate how it compares to or complements state-of-the-art methods for regular time series forecasting. In the end, we contribute by providing a novel framework that tackles feature engineering for time series from an angle previously vastly ignored. We show that our approach has the potential to further extract more information about time series that significantly improves forecasting performance.
• Abstract（参考訳）: 時系列は、時間とともに収集された観測の集合を表す。 通常、これらの観測は均一なサンプリング周波数(例えば毎日)で撮影される。 データポイントが不均一な時間間隔で観測されると、時系列は不規則または断続と呼ばれる。 このようなシナリオでは、最も一般的な解決策は、時系列を正規に再構成し、断続性を取り除くことである。 我々は、不規則な時系列において、各観測が収集される時間はデータのダイナミクスを要約し、予測性能を向上させるのに役立つと仮定する。 本稿では,この視点からの情報,すなわち各インスタンスが収集された際の情報抽出に焦点を当てた,新しい自動特徴工学フレームワークを開発することにより,このアイデアを考察する。 時系列予測ワークフローに組み込むことで,この情報の価値を検証し,時系列予測のための最新手法との比較や補完方法について検討する。 最後に、これまで無視されていた角度から時系列の特徴工学に取り組む新しいフレームワークを提供することで貢献する。 提案手法は,予測性能を著しく向上させる時系列情報をさらに抽出する可能性があることを示す。

関連論文リスト

• Time Series Data Augmentation as an Imbalanced Learning Problem [2.5536554335016417]
  我々は、オーバーサンプリング戦略を用いて、合成時系列観測を作成し、予測モデルの精度を向上させる。 5502個の単変量時系列を含む7種類のデータベースを用いて実験を行った。 提案手法は,グローバルモデルとローカルモデルの両方で優れており,この2つのアプローチのトレードオフが良好であることがわかった。
  論文  参考訳（メタデータ） (2024-04-29T09:27:15Z)
• 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)
• 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)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端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） (2024-01-11T10:10:16Z)
• One-Step Time Series Forecasting Using Variational Quantum Circuits [1.1934558041641545]
  機械学習の科学者は、時系列を一貫した時間ステップで記録された観測の集合として定義する。 データがどのようにデータセットと最終的な結果に協調するかを示すので、この予測には時間が非常に重要です。 量子コンピュータは、量子力学現象を利用して時系列のトレンドを理解するためのより良い選択肢であることが証明されるかもしれない。
  論文  参考訳（メタデータ） (2022-07-16T16:50:28Z)
• Split Time Series into Patches: Rethinking Long-term Series Forecasting with Dateformer [17.454822366228335]
  時間は時系列の最も重要な特徴の1つだが、あまり注目されていない。 本稿では、上記のプラクティスに従うのではなく、モデリング時間に注意を向けるDateformerを提案する。 ディザフォーマーは、40%の顕著な相対的な改善で最先端の精度を達成し、最大信頼性予測範囲を半年レベルに拡大する。
  論文  参考訳（メタデータ） (2022-07-12T08:58:44Z)
• Towards Spatio-Temporal Aware Traffic Time Series Forecasting--Full Version [37.09531298150374]
  同じ時系列パターンの複雑な時系列パターンが時間によって異なる可能性があるため、トラフィックシリーズの予測は困難である。 このような時間的モデルは、時間的位置と時間的期間に関わらず、共有パラメータ空間を使用し、時間的相関は場所間で類似しており、常に時間にわたって保持するわけではないと仮定する。 サブテンポラリモデルにICDを意識したモデルをエンコードするフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-29T16:44:56Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• 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 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)
• Deep Transformer Models for Time Series Forecasting: The Influenza Prevalence Case [2.997238772148965]
  時系列データは、多くの科学と工学の分野で広く使われている。 本稿では,トランスフォーマーに基づく機械学習モデルを用いた時系列予測の新しい手法を提案する。 提案手法により得られた予測結果は,最先端技術と良好に比較できることを示す。
  論文  参考訳（メタデータ） (2020-01-23T00:22:22Z)

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。