論文の概要: DEPTS: Deep Expansion Learning for Periodic Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2203.07681v1
- Date: Tue, 15 Mar 2022 06:51:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-16 12:16:10.461260
- Title: DEPTS: Deep Expansion Learning for Periodic Time Series Forecasting
- Title(参考訳): depts: 周期時系列予測のための深い拡張学習
- Authors: Wei Fan, Shun Zheng, Xiaohan Yi, Wei Cao, Yanjie Fu, Jiang Bian,
Tie-Yan Liu
- Abstract要約: PTS予測のための深層拡張学習フレームワークDEPTSを導入する。
DEPTSは、周期状態を隠れ変数として導入することで、分離された定式化から始まる。
我々の2つのカスタマイズされたモジュールは、局所的なモーメントまたはグローバルな周期性に予測を帰属させるなど、ある程度の解釈可能な能力を持っている。
- 参考スコア(独自算出の注目度): 83.60876685008225
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Periodic time series (PTS) forecasting plays a crucial role in a variety of
industries to foster critical tasks, such as early warning, pre-planning,
resource scheduling, etc. However, the complicated dependencies of the PTS
signal on its inherent periodicity as well as the sophisticated composition of
various periods hinder the performance of PTS forecasting. In this paper, we
introduce a deep expansion learning framework, DEPTS, for PTS forecasting.
DEPTS starts with a decoupled formulation by introducing the periodic state as
a hidden variable, which stimulates us to make two dedicated modules to tackle
the aforementioned two challenges. First, we develop an expansion module on top
of residual learning to perform a layer-by-layer expansion of those complicated
dependencies. Second, we introduce a periodicity module with a parameterized
periodic function that holds sufficient capacity to capture diversified
periods. Moreover, our two customized modules also have certain interpretable
capabilities, such as attributing the forecasts to either local momenta or
global periodicity and characterizing certain core periodic properties, e.g.,
amplitudes and frequencies. Extensive experiments on both synthetic data and
real-world data demonstrate the effectiveness of DEPTS on handling PTS. In most
cases, DEPTS achieves significant improvements over the best baseline.
Specifically, the error reduction can even reach up to 20% for a few cases.
Finally, all codes are publicly available.
- Abstract(参考訳): 周期的時系列予測(PTS)は、早期警戒、事前計画、資源スケジューリングなどの重要なタスクを育成する様々な産業において重要な役割を果たす。
しかし、PTS信号の複雑な依存は、その固有の周期性や、様々な周期の洗練された構成は、PTS予測の性能を妨げている。
本稿では,pts予測のための深層拡張学習フレームワークであるdeptsを提案する。
DEPTSは、周期状態を隠れ変数として導入することで分離された定式化から始まり、上記の2つの課題に取り組むために2つの専用モジュールを作成するよう刺激する。
まず,これらの複雑な依存関係の層別拡張を行うために,残差学習の上に拡張モジュールを開発する。
第二に、パラメータ化された周期関数を持つ周期モジュールを導入し、多様な周期を捉えるのに十分な容量を持つ。
さらに、我々の2つのカスタマイズされたモジュールは、局所的なモーメントまたは大域的な周期性に起因する予測や、振幅や周波数などの特定のコア周期特性を特徴付けるなど、ある種の解釈可能な能力を持つ。
合成データと実世界のデータの両方に対する大規模な実験は、PTS処理におけるDEPTSの有効性を示した。
ほとんどの場合、DEPTSは最高のベースラインよりも大幅に改善されている。
特に、エラーの削減は、いくつかのケースで最大20%に達する可能性がある。
最後に、すべてのコードが公開されている。
関連論文リスト
- Structural Knowledge Informed Continual Multivariate Time Series
Forecasting [23.18105409644709]
本稿では,連続学習パラダイム内で MTS 予測を行うための新しい構造知識情報連続学習(SKI-CL)フレームワークを提案する。
具体的には、グラフ構造学習に基づく予測モデルを構築し、学習した変数依存と構造知識の間に一貫性の規則化スキームを課す。
本研究では,MTSデータの時間的カバレッジを最大化し,各状態の時間的ダイナミクスと依存性構造を効率的に保存する表現マッチング型メモリ再生方式を開発した。
論文 参考訳(メタデータ) (2024-02-20T05:11:20Z) - Cumulative Distribution Function based General Temporal Point Processes [49.758080415846884]
CuFunモデルは、累積分布関数(CDF)を中心に回転するTPPに対する新しいアプローチを表す
提案手法は従来のTPPモデリングに固有のいくつかの重要な問題に対処する。
コントリビューションには、先駆的なCDFベースのTPPモデルの導入、過去の事象情報を将来の事象予測に組み込む方法論の開発が含まれている。
論文 参考訳(メタデータ) (2024-02-01T07:21:30Z) - FCDNet: Frequency-Guided Complementary Dependency Modeling for
Multivariate Time-Series Forecasting [9.083469629116784]
時系列予測のための簡潔で効果的なフレームワークであるFCDNetを提案する。
多レベル周波数パターンから長期的および短期的依存情報を適応的に抽出する。
実験の結果、FCDNetは強いベースラインをはるかに超えることがわかった。
論文 参考訳(メタデータ) (2023-12-27T07:29:52Z) - Frequency-domain MLPs are More Effective Learners in Time Series
Forecasting [67.60443290781988]
時系列予測は、金融、交通、エネルギー、医療など、さまざまな産業領域において重要な役割を果たしてきた。
最多ベースの予測手法は、ポイントワイドマッピングと情報のボトルネックに悩まされる。
本稿では、時系列予測のための周波数領域上に構築された、シンプルで効果的なアーキテクチャであるFreTSを提案する。
論文 参考訳(メタデータ) (2023-11-10T17:05:13Z) - TEMPO: Prompt-based Generative Pre-trained Transformer for Time Series
Forecasting [26.080207374930055]
本稿では,時系列表現を効果的に学習できる新しいフレームワークTEMPOを提案する。
TEMPOは、様々な領域のデータから現実世界の時間現象を動的にモデル化する機能を拡張する。
論文 参考訳(メタデータ) (2023-10-08T00:02:25Z) - MTS-Mixers: Multivariate Time Series Forecasting via Factorized Temporal
and Channel Mixing [18.058617044421293]
本稿では,時系列予測の性能に対する注意機構の寄与と欠陥について検討する。
MTS-Mixersを提案する。これは2つの分解されたモジュールを用いて時間的およびチャネル的依存関係をキャプチャする。
いくつかの実世界のデータセットによる実験結果から、MTS-Mixersは既存のTransformerベースのモデルよりも高い効率で性能を発揮することが示された。
論文 参考訳(メタデータ) (2023-02-09T08:52:49Z) - 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) - Unsupervised Time-Series Representation Learning with Iterative Bilinear
Temporal-Spectral Fusion [6.154427471704388]
本稿では,双線形時間スペクトル融合(BTSF)という統合フレームワークを提案する。
具体的には、インスタンスレベルの拡張を時系列全体への単純なドロップアウトで利用し、長期的依存関係を最大限に捉えます。
時間-周波数ペアの親和性を明示的にエンコードするために、新しい反復性双線形時間-スペクトル融合を考案する。
論文 参考訳(メタデータ) (2022-02-08T14:04:08Z) - Interpretable Time-series Representation Learning With Multi-Level
Disentanglement [56.38489708031278]
Disentangle Time Series (DTS)は、シーケンシャルデータのための新しいDisentanglement Enhanceingフレームワークである。
DTSは時系列の解釈可能な表現として階層的意味概念を生成する。
DTSは、セマンティック概念の解釈性が高く、下流アプリケーションで優れたパフォーマンスを実現します。
論文 参考訳(メタデータ) (2021-05-17T22:02:24Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳(メタデータ) (2020-02-21T13:48:13Z)
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。