論文の概要: Long-Term Missing Value Imputation for Time Series Data Using Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2202.12441v1
• Date: Fri, 25 Feb 2022 00:29:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-01 00:22:34.277565
• Title: Long-Term Missing Value Imputation for Time Series Data Using Deep Neural Networks
• Title（参考訳）: ディープニューラルネットワークを用いた時系列データの長期欠落値計算
• Authors: Jangho Park, Juliane Muller, Bhavna Arora, Boris Faybishenko, Gilberto Pastorello, Charuleka Varadharajan, Reetik Sahu, Deborah Agarwal
• Abstract要約: 本稿では、ディープラーニングモデル、特にMultiLayer Perceptron(MLP)を用いて、変数の欠落値を推定する手法を提案する。 ランダムに欠落した個々の観察を埋めるのではなく、長い連続的なギャップを埋めることに集中する。 本手法は, 長期環境モニタリング観測においてよく見られる, 1変数に大きなギャップを持つデータセットの利用を可能にする。
• 参考スコア（独自算出の注目度）: 1.2019888796331233
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present an approach that uses a deep learning model, in particular, a MultiLayer Perceptron (MLP), for estimating the missing values of a variable in multivariate time series data. We focus on filling a long continuous gap (e.g., multiple months of missing daily observations) rather than on individual randomly missing observations. Our proposed gap filling algorithm uses an automated method for determining the optimal MLP model architecture, thus allowing for optimal prediction performance for the given time series. We tested our approach by filling gaps of various lengths (three months to three years) in three environmental datasets with different time series characteristics, namely daily groundwater levels, daily soil moisture, and hourly Net Ecosystem Exchange. We compared the accuracy of the gap-filled values obtained with our approach to the widely-used R-based time series gap filling methods ImputeTS and mtsdi. The results indicate that using an MLP for filling a large gap leads to better results, especially when the data behave nonlinearly. Thus, our approach enables the use of datasets that have a large gap in one variable, which is common in many long-term environmental monitoring observations.
• Abstract（参考訳）: 本稿では,多変量時系列データ中の変数の欠落値を推定するために,ディープラーニングモデル,特にMultiLayer Perceptron(MLP)を用いたアプローチを提案する。 我々は、ランダムに欠落した個々の観察よりも、長い連続的なギャップ(例えば、日々の観察の欠如など)を埋めることに注力する。 提案アルゴリズムは,最適MLPモデルアーキテクチャを決定する自動手法を用いて,与えられた時系列に対して最適な予測性能を実現する。 我々は, 地下水位, 土壌水分量, 時間毎の生態系交換など, 時系列特性の異なる3つの環境データセットにおいて, 様々な長さ(3ヶ月から3年)の隙間を埋めて実験を行った。 本研究は,r-based time series gap fill method imputets と mtsdi を用いて得られたgap-filled valueの精度を比較検討した。 その結果,大きなギャップを埋めるためにMLPを用いることで,特にデータを非線形に振る舞う場合,より良い結果が得られることがわかった。 したがって,このアプローチでは,長期的環境モニタリング観測に共通する1つの変数に大きなギャップを持つデータセットの利用が可能となる。

関連論文リスト

• Multi-Scale Dilated Convolution Network for Long-Term Time Series Forecasting [17.132063819650355]
  時系列の周期と傾向を捉えるために,MSDCN(Multi Scale Dilated Convolution Network)を提案する。 指数関数的に増加する拡張と異なるカーネルサイズを持つ異なる畳み込みブロックを設計し、異なるスケールで時系列データをサンプリングする。 提案手法の有効性を検証するため,8つの長期時系列予測ベンチマークデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-05-09T02:11:01Z)
• 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)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [49.992908221544624]
  時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。 従来の深層学習法は時系列計算に有効であることが示されている。 本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
  天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。 時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。 我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。 提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
  論文  参考訳（メタデータ） (2022-10-02T06:58:49Z)
• Deep Generative model with Hierarchical Latent Factors for Time Series Anomaly Detection [40.21502451136054]
  本研究は、時系列異常検出のための新しい生成モデルであるDGHLを提示する。 トップダウンの畳み込みネットワークは、新しい階層的な潜在空間を時系列ウィンドウにマッピングし、時間ダイナミクスを利用して情報を効率的にエンコードする。 提案手法は,4つのベンチマーク・データセットにおいて,現在の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-02-15T17:19:44Z)
• Time Series Anomaly Detection by Cumulative Radon Features [32.36217153362305]
  本研究は,分布距離測定と組み合わせた場合,浅部特徴が十分であると主張する。 提案手法は,各時系列を高次元的特徴分布としてモデル化する。 累積ラドン特徴量を用いて各時系列をパラメータ化することにより、正規時系列の分布を効率的に効果的にモデル化できることを示す。
  論文  参考訳（メタデータ） (2022-02-08T18:58:53Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Rainfall-Runoff Prediction at Multiple Timescales with a Single Long Short-Term Memory Network [41.33870234564485]
  長期記憶ネットワーク(Long Short-Term Memory Networks, LSTMs)は, 日常の放電予測に顕著な成功を収めている。 しかし、多くの現実的なシナリオはより粒度の細かい時間スケールで予測を必要とする。 本研究では,一つのモデル内で複数の時間スケールを共同で予測する2つのMulti-Timescale LSTMアーキテクチャを提案する。 これらのモデルを米国大陸の516の流域でテストし、米国水モデルに対するベンチマークを行った。
  論文  参考訳（メタデータ） (2020-10-15T17:52:16Z)
• Multivariate Time-series Anomaly Detection via Graph Attention Network [27.12694738711663]
  多変量時系列の異常検出は、データマイニング研究と産業応用の両方において非常に重要である。 1つの大きな制限は、異なる時系列間の関係を明示的に捉えないことである。 この問題に対処するために,多変量時系列異常検出のための新しい自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-04T07:46:19Z)

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。