論文の概要: STD: A Seasonal-Trend-Dispersion Decomposition of Time Series
- arxiv url: http://arxiv.org/abs/2204.10398v1
- Date: Thu, 21 Apr 2022 20:32:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-25 14:48:50.521297
- Title: STD: A Seasonal-Trend-Dispersion Decomposition of Time Series
- Title(参考訳): STD: 時系列の季節変動分散分解
- Authors: Grzegorz Dudek
- Abstract要約: 本稿では,時系列における不均一性を扱うために,季節差分散分解(STD)を提案する。
時系列解析と予測にSTDをどのように利用できるかを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The decomposition of a time series is an essential task that helps to
understand its very nature. It facilitates the analysis and forecasting of
complex time series expressing various hidden components such as the trend,
seasonal components, cyclic components and irregular fluctuations. Therefore,
it is crucial in many fields for forecasting and decision processes. In recent
years, many methods of time series decomposition have been developed, which
extract and reveal different time series properties. Unfortunately, they
neglect a very important property, i.e. time series variance. To deal with
heteroscedasticity in time series, the method proposed in this work -- a
seasonal-trend-dispersion decomposition (STD) -- extracts the trend, seasonal
component and component related to the dispersion of the time series. We define
STD decomposition in two ways: with and without an irregular component. We show
how STD can be used for time series analysis and forecasting.
- Abstract(参考訳): 時系列の分解は、その性質を理解するのに役立つ重要なタスクである。
傾向,季節成分,循環成分,不規則変動などの隠蔽成分を表現した複雑な時系列の分析と予測を容易にする。
したがって、多くの分野において予測と決定プロセスにおいて重要である。
近年,様々な時系列特性を抽出・明らかにする時系列分解法が開発されている。
残念ながら、彼らは非常に重要な特性、すなわち時系列の分散を無視している。
時系列のヘテロシデスティック性に対処するため,本研究で提案する手法であるstdは,時系列の分散に関連する傾向,季節成分,成分を抽出する。
我々はSTD分解を不規則成分と非規則成分の2つの方法で定義する。
時系列解析と予測にSTDをどのように利用できるかを示す。
関連論文リスト
- 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) - A Multi-Scale Decomposition MLP-Mixer for Time Series Analysis [15.260612266625847]
我々は、入力時系列を異なるコンポーネントに明示的に分解することを学ぶマルチスケール分解ミクサーであるMSD-Mixerを提案する。
我々は、MSD-Mixerが、他の最先端タスクジェネラルおよびタスク固有のアプローチと比較して、一貫して優れた性能を示すことを示した。
論文 参考訳(メタデータ) (2023-10-18T13:39:07Z) - Unravel Anomalies: An End-to-end Seasonal-Trend Decomposition Approach
for Time Series Anomaly Detection [22.002053911451604]
従来の時系列異常検出(TAD)法は、複雑な時系列データの合成にしばしば苦労する。
本稿では,季節傾向分解を利用して,様々な種類の異常を特定の分解成分に関連付ける,エンド・ツー・エンドのTADモデルであるTADNetを紹介する。
合成データセットの事前学習と微調整を併用したトレーニング手法は,効率的な分解と高精度な異常検出のバランスを崩す。
論文 参考訳(メタデータ) (2023-09-30T06:08:37Z) - TimesNet: Temporal 2D-Variation Modeling for General Time Series
Analysis [80.56913334060404]
時系列解析は、天気予報、異常検出、行動認識などの応用において非常に重要である。
従来の手法では、1D時系列から直接これを達成しようと試みていた。
複雑な経時的変化を、複数の経時的変化と経時的変化に明らかにする。
論文 参考訳(メタデータ) (2022-10-05T12:19:51Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳(メタデータ) (2022-02-07T21:37:29Z) - Hydroclimatic time series features at multiple time scales [0.0]
様々な物理過程の振る舞いを包括的に理解するには、時間スケールにわたる詳細な調査が必要である。
本研究では, 温暖化環境下での調査を進展させ, 充実させる新しい時系列特徴コンパイル法を提案する。
この特定のコンパイルは、時間的依存、時間的変動、"予測可能性"、ルンピー性、安定性、非線形性(および線形性)、トレンド、スパイク性、曲率、季節性の観点から、大きく解釈可能な特徴の調査と比較を容易にする。
論文 参考訳(メタデータ) (2021-12-02T17:43:30Z) - 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) - A Robust and Efficient Multi-Scale Seasonal-Trend Decomposition [15.530254957486873]
複数の季節性を持つ時系列に対して,汎用的で効率的な季節差分解アルゴリズムを提案する。
実験の結果, 精度が大幅に向上し, 正確な分解結果が得られた。
論文 参考訳(メタデータ) (2021-09-18T01:46:06Z) - Instance-wise Graph-based Framework for Multivariate Time Series
Forecasting [69.38716332931986]
我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。
私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
論文 参考訳(メタデータ) (2021-09-14T07:38:35Z) - Model-Attentive Ensemble Learning for Sequence Modeling [86.4785354333566]
シーケンスモデリング(MAES)のためのモデル・アテンティブ・アンサンブル・ラーニングを提案する。
MAESは、異なるシーケンスダイナミクスの専門家を専門とし、予測を適応的に重み付けるために、注目ベースのゲーティングメカニズムを利用する時系列の専門家の混合物です。
MAESが時系列シフトを受けるデータセットの人気シーケンスモデルを大幅に上回ることを示す。
論文 参考訳(メタデータ) (2021-02-23T05:23:35Z) - A Deep Structural Model for Analyzing Correlated Multivariate Time
Series [11.009809732645888]
相関した多変量時系列入力を処理できる深層学習構造時系列モデルを提案する。
モデルは、トレンド、季節性、イベントコンポーネントを明示的に学習し、抽出する。
我々は,様々な時系列データセットに関する総合的な実験を通して,そのモデルと最先端のいくつかの手法を比較した。
論文 参考訳(メタデータ) (2020-01-02T18:48:29Z)
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。