論文の概要: Learning Deep Time-index Models for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2207.06046v4
• Date: Sat, 20 May 2023 18:09:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-24 06:06:33.871620
• Title: Learning Deep Time-index Models for Time Series Forecasting
• Title（参考訳）: 時系列予測のためのdeep time-indexモデル学習
• Authors: Gerald Woo, Chenghao Liu, Doyen Sahoo, Akshat Kumar, Steven Hoi
• Abstract要約: DeepTimeは、詳細なタイムインデックスモデルを学習するためのメタ最適化フレームワークである。 提案手法は最先端手法と競合する結果が得られ,高い効率性を有する。
• 参考スコア（独自算出の注目度）: 35.76867542099019
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has been actively applied to time series forecasting, leading to a deluge of new methods, belonging to the class of historical-value models. Yet, despite the attractive properties of time-index models, such as being able to model the continuous nature of underlying time series dynamics, little attention has been given to them. Indeed, while naive deep time-index models are far more expressive than the manually predefined function representations of classical time-index models, they are inadequate for forecasting, being unable to generalize to unseen time steps due to the lack of inductive bias. In this paper, we propose DeepTime, a meta-optimization framework to learn deep time-index models which overcome these limitations, yielding an efficient and accurate forecasting model. Extensive experiments on real world datasets in the long sequence time-series forecasting setting demonstrate that our approach achieves competitive results with state-of-the-art methods, and is highly efficient. Code is available at https://github.com/salesforce/DeepTime.
• Abstract（参考訳）: 深層学習は時系列予測に積極的に適用されており、歴史値モデルのクラスに属する新しい手法が多数存在する。 しかし、時系列ダイナミクスの連続的な性質をモデル化できるなど、時間インデックスモデルの魅力的な特性にもかかわらず、彼らにはほとんど注意が払われていない。 実際、ナイーブな時間インデックスモデルは、古典的時間インデックスモデルの手動で定義された関数表現よりもはるかに表現力が高いが、予測には不十分であり、帰納的バイアスの欠如により目に見えない時間ステップに一般化できない。 本稿では,これらの制約を克服し,効率的かつ正確な予測モデルを実現するためのメタ最適化フレームワークであるDeepTimeを提案する。 長期時系列予測設定における実世界のデータセットに関する広範囲な実験は、最先端の手法で競争力のある結果が得られることを示し、非常に効率的である。 コードはhttps://github.com/salesforce/deeptimeで入手できる。

関連論文リスト

• Implicit Reasoning in Deep Time Series Forecasting [16.750280337155647]
  この研究は、ディープ時系列予測モデルの推論能力を評価するための最初の一歩を踏み出した。 系統的に編成されたアウト・オブ・ディストリビューションシナリオにおいて,ある線形なパッチベーストランスフォーマーモデルが効果的に一般化できることが判明した。
  論文  参考訳（メタデータ） (2024-09-17T02:11:19Z)
• Chronos: Learning the Language of Time Series [79.38691251254173]
  Chronosは事前訓練された確率的時系列モデルのためのフレームワークである。 クロノスモデルでは,様々な領域の時系列データを利用して,未知の予測タスクにおけるゼロショット精度を向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-03-12T16:53:54Z)
• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• Unified Long-Term Time-Series Forecasting Benchmark [0.6526824510982802]
  本稿では,時系列予測のための包括的データセットを提案する。 多様な動的システムと実生活記録から得られたデータセットのコレクションを組み込んだ。 多様なシナリオにおいて最も効果的なモデルを決定するために、古典的および最先端のモデルを用いて広範なベンチマーク分析を行う。 本研究は,これらのモデルの性能比較を興味深いものにし,モデルの有効性のデータセット依存性を強調した。
  論文  参考訳（メタデータ） (2023-09-27T18:59:00Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)
• Towards Spatio-Temporal Aware Traffic Time Series Forecasting--Full Version [37.09531298150374]
  同じ時系列パターンの複雑な時系列パターンが時間によって異なる可能性があるため、トラフィックシリーズの予測は困難である。 このような時間的モデルは、時間的位置と時間的期間に関わらず、共有パラメータ空間を使用し、時間的相関は場所間で類似しており、常に時間にわたって保持するわけではないと仮定する。 サブテンポラリモデルにICDを意識したモデルをエンコードするフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-29T16:44:56Z)
• Boosted Embeddings for Time Series Forecasting [0.6042845803090501]
  新たな時系列予測モデルであるDeepGBを提案する。 我々は,弱い学習者が反復よりも漸進的に重みがみられるdnnである勾配ブースティングの変種を定式化し,実装する。 本モデルが実世界センサーデータと公開データセットを用いて既存の同等の最新モデルを上回ることを実証した。
  論文  参考訳（メタデータ） (2021-04-10T14:38:11Z)
• Visualising Deep Network's Time-Series Representations [93.73198973454944]
  機械学習モデルの普及にもかかわらず、多くの場合、モデルの内部で起きていることに関する洞察のないブラックボックスとして運用される。 本稿では,多次元時系列データの可視化に着目し,この問題に対処する手法を提案する。 高周波在庫市場データセットの実験は、この方法が迅速かつ識別可能な可視化を提供することを示しています。
  論文  参考訳（メタデータ） (2021-03-12T09:53:34Z)
• From Static to Dynamic Node Embeddings [61.58641072424504]
  本稿では,時間的予測に基づくアプリケーションにグラフストリームデータを活用するための汎用フレームワークを提案する。 提案フレームワークは,適切なグラフ時系列表現を学習するための新しい手法を含む。 トップ3の時間モデルは常に新しい$epsilon$-graphの時系列表現を利用するモデルであることが分かりました。
  論文  参考訳（メタデータ） (2020-09-21T16:48:29Z)

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。