論文の概要: Review of Time Series Forecasting Methods and Their Applications to
Particle Accelerators
- arxiv url: http://arxiv.org/abs/2209.10705v1
- Date: Wed, 21 Sep 2022 23:18:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 14:53:57.715731
- Title: Review of Time Series Forecasting Methods and Their Applications to
Particle Accelerators
- Title(参考訳): 時系列予測法の概要と粒子加速器への応用
- Authors: Sichen Li, Andreas Adelmann
- Abstract要約: 本稿では、時系列予測問題を定式化し、既存のモデルを様々な科学分野に適用して要約する。
粒子加速器への時系列予測の適用は、より広範な用途に期待できる結果と将来性を示している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Particle accelerators are complex facilities that produce large amounts of
structured data and have clear optimization goals as well as precisely defined
control requirements. As such they are naturally amenable to data-driven
research methodologies. The data from sensors and monitors inside the
accelerator form multivariate time series. With fast pre-emptive approaches
being highly preferred in accelerator control and diagnostics, the application
of data-driven time series forecasting methods is particularly promising.
This review formulates the time series forecasting problem and summarizes
existing models with applications in various scientific areas. Several current
and future attempts in the field of particle accelerators are introduced. The
application of time series forecasting to particle accelerators has shown
encouraging results and the promise for broader use, and existing problems such
as data consistency and compatibility have started to be addressed.
- Abstract(参考訳): 粒子加速器は、大量の構造化データを生成し、明確な最適化目標と正確に定義された制御要件を持つ複雑な施設である。
そのため、データ駆動型研究手法に自然に適応できる。
加速器内のセンサーとモニターのデータは、多変量時系列を形成する。
加速器制御と診断において高速プリエンプティブアプローチが好まれているため、データ駆動時系列予測手法の適用は特に有望である。
本稿では,時系列予測問題を定式化し,既存のモデルを様々な科学分野に適用した。
粒子加速器の分野におけるいくつかの現在および将来の試みが紹介されている。
粒子加速器への時系列予測の適用は、奨励的な結果と幅広い利用への期待を示しており、データ一貫性や互換性といった既存の問題に対処し始めている。
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) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳(メタデータ) (2023-01-08T12:20:46Z) - TFAD: A Decomposition Time Series Anomaly Detection Architecture with
Time-Frequency Analysis [12.867257563413972]
時系列異常検出は、複雑な時間的依存と限られたラベルデータのために難しい問題である。
本稿では,時間領域と周波数領域の両方を利用した時間周波数解析に基づく時系列異常検出モデル(TFAD)を提案する。
論文 参考訳(メタデータ) (2022-10-18T09:08:57Z) - FaDIn: Fast Discretized Inference for Hawkes Processes with General
Parametric Kernels [82.53569355337586]
この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。
脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。
その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
論文 参考訳(メタデータ) (2022-10-10T12:35:02Z) - 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) - Optimal Latent Space Forecasting for Large Collections of Short Time
Series Using Temporal Matrix Factorization [0.0]
複数の手法を評価し、それらの方法の1つを選択することや、最良の予測を生成するためのアンサンブルを選択するのが一般的である。
本稿では,低ランク時間行列係数化と潜在時系列上での最適モデル選択を組み合わせることで,短時間の高次元時系列データを予測するためのフレームワークを提案する。
論文 参考訳(メタデータ) (2021-12-15T11:39:21Z) - Time Series is a Special Sequence: Forecasting with Sample Convolution
and Interaction [9.449017120452675]
時系列データ(英: time series)とは、時系列データの一種で、時系列で記録された観測の集合である。
既存のディープラーニング技術では、時系列解析にジェネリックシーケンスモデルを使用しており、そのユニークな性質を無視している。
本稿では,新しいニューラルネットワークアーキテクチャを提案し,時系列予測問題に適用し,時間的モデリングのための複数の解像度でサンプル畳み込みと相互作用を行う。
論文 参考訳(メタデータ) (2021-06-17T08:15:04Z) - Data Generating Process to Evaluate Causal Discovery Techniques for Time
Series Data [1.5293427903448025]
時系列因果発見手法の開発,評価,ベンチマークのためのフレームワークを提案する。
このフレームワークは、ベンチマークに"オーバーフィット"することなく、膨大なデータに対する新しいメソッドの微調整に使用できる。
このフレームワークを用いて, 時系列因果発見手法の評価を行い, 仮定が無効になった場合の性能が著しく低下することを示す。
論文 参考訳(メタデータ) (2021-04-16T11:38:29Z) - PnPNet: End-to-End Perception and Prediction with Tracking in the Loop [82.97006521937101]
我々は、自動運転車の文脈において、共同認識と運動予測の問題に取り組む。
我々は,入力センサデータとしてエンド・ツー・エンドのモデルであるNetを提案し,各ステップのオブジェクト追跡とその将来レベルを出力する。
論文 参考訳(メタデータ) (2020-05-29T17:57:25Z) - 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) - Deep Transformer Models for Time Series Forecasting: The Influenza
Prevalence Case [2.997238772148965]
時系列データは、多くの科学と工学の分野で広く使われている。
本稿では,トランスフォーマーに基づく機械学習モデルを用いた時系列予測の新しい手法を提案する。
提案手法により得られた予測結果は,最先端技術と良好に比較できることを示す。
論文 参考訳(メタデータ) (2020-01-23T00:22:22Z)
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。