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

• FlexTSF: A Universal Forecasting Model for Time Series with Variable Regularities [17.164913785452367]
  我々は,より優れた一般化を持ち,正規時間と不規則時間の両方をサポートする普遍時系列予測モデルFlexTSFを提案する。 12のデータセットの実験では、FlexTSFは、それぞれ通常の時系列と不規則時系列のために設計された最先端の予測モデルより優れていることが示されている。
  論文  参考訳（メタデータ） (2024-10-30T16:14:09Z)
• 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)
• Language Model Empowered Spatio-Temporal Forecasting via Physics-Aware Reprogramming [13.744891561921197]
  本研究では,事前学習言語モデル(PLM)の推論と一般化能力を利用して,複雑な時間的予測を行うことを目的とする。 本稿では,時間予測に適した物理対応 PLM 再プログラミングフレームワーク RePST を提案する。 提案したRePSTは,特にデータスカースシナリオにおいて,12の最先端のベースライン手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-08-24T07:59:36Z)
• Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
  拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。 3つの戦略を含む新しい量子化フレームワークを導入する。 このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
  論文  参考訳（メタデータ） (2024-07-28T17:46:15Z)
• FAITH: Frequency-domain Attention In Two Horizons for Time Series Forecasting [13.253624747448935]
  時系列予測は、産業機器の保守、気象学、エネルギー消費、交通流、金融投資など、様々な分野で重要な役割を果たしている。 現在のディープラーニングベースの予測モデルは、予測結果と基礎的真実の間に大きな違いを示すことが多い。 本稿では、時系列をトレンドと季節成分に分解する2つのホライズンズにおける周波数領域注意モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-22T02:37:02Z)
• 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)
• 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。