論文の概要: Nonstationary Temporal Matrix Factorization for Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2203.10651v1
• Date: Sun, 20 Mar 2022 21:22:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-22 15:03:52.407374
• Title: Nonstationary Temporal Matrix Factorization for Multivariate Time Series Forecasting
• Title（参考訳）: 多変量時系列予測のための非定常時間行列分解
• Authors: Xinyu Chen, Chengyuan Zhang, Xi-Le Zhao, Nicolas Saunier, and Lijun Sun
• Abstract要約: 非定常的時間的行列分解(NoTMF)モデルを用いて時系列行列全体を再構成し、時間的因子行列の適切に区別されたコピーにベクトル自己回帰過程を課す。 我々は,他のベースラインモデルと比較して,NOTMFの精度と有効性を示す。 また,Uberのトラフィックフローや速度など,実世界の時系列データの非定常性に対処することが重要であることも確認した。
• 参考スコア（独自算出の注目度）: 18.910448998549185
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern time series datasets are often high-dimensional, incomplete/sparse, and nonstationary. These properties hinder the development of scalable and efficient solutions for time series forecasting and analysis. To address these challenges, we propose a Nonstationary Temporal Matrix Factorization (NoTMF) model, in which matrix factorization is used to reconstruct the whole time series matrix and vector autoregressive (VAR) process is imposed on a properly differenced copy of the temporal factor matrix. This approach not only preserves the low-rank property of the data but also offers consistent temporal dynamics. The learning process of NoTMF involves the optimization of two factor matrices and a collection of VAR coefficient matrices. To efficiently solve the optimization problem, we derive an alternating minimization framework, in which subproblems are solved using conjugate gradient and least squares methods. In particular, the use of conjugate gradient method offers an efficient routine and allows us to apply NoTMF on large-scale problems. Through extensive experiments on Uber movement speed dataset, we demonstrate the superior accuracy and effectiveness of NoTMF over other baseline models. Our results also confirm the importance of addressing the nonstationarity of real-world time series data such as spatiotemporal traffic flow/speed.
• Abstract（参考訳）: 現代の時系列データセットは、しばしば高次元、不完全/スパース、非定常である。 これらの特性は、時系列予測と分析のためのスケーラブルで効率的なソリューションの開発を妨げる。 これらの課題に対処するために,時系列行列全体の再構成に行列分解を用いた非定常時間行列分解(notmf)モデルを提案し,時間因子行列の適切に異なるコピーにベクトル自己回帰(var)過程を課す。 このアプローチはデータの低ランク性を保持するだけでなく、一貫した時間的ダイナミクスも提供する。 NoTMFの学習過程には、2つの係数行列とVAR係数行列の集合の最適化が含まれる。 最適化問題を効率的に解くために,共役勾配と最小二乗法を用いて部分問題を解く交互最小化フレームワークを導出する。 特に、共役勾配法を用いることは効率的なルーチンを提供し、大規模問題に notmf を適用することができる。 Uberの移動速度データセットに関する広範な実験を通じて、他のベースラインモデルよりもNoTMFの精度と有効性を示す。 また,時空間流速などの実世界の時系列データの非定常性に対処することの重要性も確認した。

関連論文リスト

• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)
• Efficient Interpretable Nonlinear Modeling for Multiple Time Series [5.448070998907116]
  本稿では,複数時系列に対する効率的な非線形モデリング手法を提案する。 異なる時系列変数間の非線形相互作用を含む。 実験結果から,提案アルゴリズムは相似的にVAR係数の支持値の同定を改善することが示された。
  論文  参考訳（メタデータ） (2023-09-29T11:42:59Z)
• Diffeomorphic Transformations for Time Series Analysis: An Efficient Approach to Nonlinear Warping [0.0]
  多くの分野にわたる時間データの拡散と普遍性は、類似性、分類、クラスタリング手法への関心を喚起した。 ユークリッドのような伝統的な距離測度は、時間に依存したデータの性質のため適していない。 この論文は、パラメトリックおよび微分同相のワープ変換を用いる新しい弾性アライメント法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T10:51:47Z)
• FastSTMF: Efficient tropical matrix factorization algorithm for sparse data [0.0]
  機械学習における最も一般的な手法の一つである行列分解は、最近、熱帯セミリングを用いた予測タスクに非線形性を導入することで恩恵を受けている。 本研究では,STMF(Sparse Tropical Matrix Factorization)に基づく新しいFastSTMF法を提案する。 我々は,TCGAデータベースからの合成および実遺伝子発現データ上でFastSTMFを評価し,FastSTMFがSTMFの精度と実行時間の両方で優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-13T13:13:06Z)
• Sketching as a Tool for Understanding and Accelerating Self-attention for Long Sequences [52.6022911513076]
  トランスフォーマーベースのモデルは、自己アテンションモジュールの二次空間と時間的複雑さのために、長いシーケンスを処理するのに効率的ではない。 我々はLinformerとInformerを提案し、低次元投影と行選択により2次複雑性を線形(モジュラー対数因子)に還元する。 理論的解析に基づいて,Skeinformerを提案することにより,自己注意の促進と,自己注意への行列近似の精度の向上を図ることができる。
  論文  参考訳（メタデータ） (2021-12-10T06:58:05Z)
• Low-Rank Hankel Tensor Completion for Traffic Speed Estimation [7.346671461427793]
  交通状態推定問題に対する純粋にデータ駆動型かつモデルフリーなソリューションを提案する。 このテンソル構造に低ランクな仮定を課すことで、大域的パターンと未知の複素局所力学の両方を近似することができる。 本研究では,合成シミュレーションデータと実世界の高分解能データの両方について数値実験を行い,提案モデルの有効性と優位性を実証した。
  論文  参考訳（メタデータ） (2021-05-21T00:08:06Z)
• Solving weakly supervised regression problem using low-rank manifold regularization [77.34726150561087]
  我々は弱い教師付き回帰問題を解く。 weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。 数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
  論文  参考訳（メタデータ） (2021-04-13T23:21:01Z)
• Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
  本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。 FNMFはその重要性に応じて特徴の重みを適応的に学習する。 提案する最適化アルゴリズムを用いて効率的に解くことができる。
  論文  参考訳（メタデータ） (2021-03-24T21:17:17Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)
• Multi-Objective Matrix Normalization for Fine-grained Visual Recognition [153.49014114484424]
  双線形プールは細粒度視覚認識(FGVC)において大きな成功を収める 近年,行列パワー正規化は双線形特徴量において2次情報を安定化させることができることが示されている。 両線形表現を同時に正規化できる効率的な多目的行列正規化法(MOMN)を提案する。
  論文  参考訳（メタデータ） (2020-03-30T08:40:35Z)

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。