論文の概要: TimesNet: Temporal 2D-Variation Modeling for General Time Series
Analysis
- arxiv url: http://arxiv.org/abs/2210.02186v1
- Date: Wed, 5 Oct 2022 12:19:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 14:36:01.541582
- Title: TimesNet: Temporal 2D-Variation Modeling for General Time Series
Analysis
- Title(参考訳): TimesNet: 時系列解析のための時間的2次元変動モデリング
- Authors: Haixu Wu, Tengge Hu, Yong Liu, Hang Zhou, Jianmin Wang, Mingsheng Long
- Abstract要約: 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。
本稿では,広範囲な解析課題の共通課題である時間変動モデリングに焦点を当てた。
時系列における多周期性の観測に基づいて、複雑な時間変動を複数の周期内および周期間変分へと明らかにする。
- 参考スコア(独自算出の注目度): 80.56913334060404
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Time series analysis is of immense importance in extensive applications, such
as weather forecasting, anomaly detection, and action recognition. This paper
focuses on temporal variation modeling, which is the common key problem of
extensive analysis tasks. Previous methods attempt to accomplish this directly
from the 1D time series, which is extremely challenging due to the intricate
temporal patterns. Based on the observation of multi-periodicity in time
series, we ravel out the complex temporal variations into the multiple
intraperiod- and interperiod-variations. To tackle the limitations of 1D time
series in representation capability, we extend the analysis of temporal
variations into the 2D space by transforming the 1D time series into a set of
2D tensors based on multiple periods. This transformation can embed the
intraperiod- and interperiod-variations into the columns and rows of the 2D
tensors respectively, making the 2D-variations to be easily modeled by 2D
kernels. Technically, we propose the TimesNet with TimesBlock as a task-general
backbone for time series analysis. TimesBlock can discover the
multi-periodicity adaptively and extract the complex temporal variations from
transformed 2D tensors by a parameter-efficient inception block. Our proposed
TimesNet achieves consistent state-of-the-art in five mainstream time series
analysis tasks, including short- and long-term forecasting, imputation,
classification, and anomaly detection.
- Abstract(参考訳): 時系列解析は、天気予報、異常検出、行動認識などの広範囲の応用において非常に重要である。
本稿では,広範囲な解析課題の共通課題である時間変動モデリングに焦点を当てた。
従来の手法では、複雑な時間パターンのために非常に難しい1次元時系列から直接これを達成しようと試みていた。
時系列における多周期性の観測に基づいて,複数の周期内および周期間変動の複雑な時間変化を探索する。
表現能力における1次元時系列の限界に取り組むために、1次元時系列を複数の周期に基づいて2次元テンソルの集合に変換することにより、2次元空間への時間変化の解析を拡張する。
この変換は、周期内変分と周期間変分をそれぞれ2Dテンソルの列と行に埋め込むことができ、2D-変分は2Dカーネルによって容易にモデル化できる。
技術的には、timesblockを時系列分析のためのタスクジェネラルバックボーンとしてtimesnetを提案する。
タイムブロックは適応的に多周期性を発見し、パラメーター効率の良いインセプションブロックによって変換された2次元テンソルから複雑な時間変化を抽出することができる。
提案するTimesNetは,短期および長期の予測,計算,分類,異常検出を含む5つの主流時系列解析タスクにおいて,一貫した最先端性を実現する。
関連論文リスト
- 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) - Timer: Transformers for Time Series Analysis at Scale [87.9808714449511]
本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。
事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。
多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
論文 参考訳(メタデータ) (2024-02-04T06:55:55Z) - 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) - EdgeConvFormer: Dynamic Graph CNN and Transformer based Anomaly
Detection in Multivariate Time Series [7.514010315664322]
本研究では,階層化されたTime2vec埋め込み,動的グラフCNN,Transformerを統合し,グローバルかつ局所的な空間時間情報を抽出する新たな異常検出手法EdgeConvFormerを提案する。
実験により、EdgeConvFormerは、多変量時系列データから時空間モデリングを学習し、異なるスケールの多くの実世界のデータセットに対する最先端のアプローチよりも優れた異常検出性能を得ることができることが示された。
論文 参考訳(メタデータ) (2023-12-04T08:38:54Z) - TimeSQL: Improving Multivariate Time Series Forecasting with Multi-Scale
Patching and Smooth Quadratic Loss [9.71229156211078]
時系列(英: Time series)は、時間間隔で収集された実数値のランダム変数の列である。
Timeは8つの実世界のベンチマークデータセット上で、最先端のパフォーマンスを新たに達成する。
論文 参考訳(メタデータ) (2023-11-19T10:05:50Z) - Learning Gaussian Mixture Representations for Tensor Time Series
Forecasting [8.31607451942671]
我々は、時間、位置、およびソース変数に暗示される各不均一成分を個別にモデル化する新しいTS予測フレームワークを開発する。
2つの実世界のTSデータセットによる実験結果は、最先端のベースラインと比較して、我々のアプローチの優位性を検証する。
論文 参考訳(メタデータ) (2023-06-01T06:50:47Z) - Expressing Multivariate Time Series as Graphs with Time Series Attention
Transformer [14.172091921813065]
多変量時系列表現学習のための時系列注意変換器(TSAT)を提案する。
TSATを用いて、エッジ強化された動的グラフの観点から、時系列の時間情報と相互依存の両方を表現している。
TSATは、様々な予測地平線において、最先端の6つのベースライン法より明らかに優れていることを示す。
論文 参考訳(メタデータ) (2022-08-19T12:25:56Z) - HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。
本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。
本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-08-11T14:05:51Z) - Triformer: Triangular, Variable-Specific Attentions for Long Sequence
Multivariate Time Series Forecasting--Full Version [50.43914511877446]
本稿では,高い効率と精度を確保するために,三角形,可変特性に着目した注意点を提案する。
我々はTriformerが精度と効率の両方で最先端の手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-04-28T20:41:49Z) - Event2Graph: Event-driven Bipartite Graph for Multivariate Time-series
Anomaly Detection [25.832983667044708]
本稿では,時系列間の依存性を符号化する動的二部グラフ構造を提案する。
この設計に基づいて、時系列間の関係はイベントノードへの動的接続を通じて明示的にモデル化できる。
論文 参考訳(メタデータ) (2021-08-15T17:50:37Z)
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。