論文の概要: Time Series Forecasting via Semi-Asymmetric Convolutional Architecture
with Global Atrous Sliding Window
- arxiv url: http://arxiv.org/abs/2301.13691v1
- Date: Tue, 31 Jan 2023 15:07:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-01 16:11:37.812233
- Title: Time Series Forecasting via Semi-Asymmetric Convolutional Architecture
with Global Atrous Sliding Window
- Title（参考訳）: 大域的アトラススライディングウィンドウを用いた半非対称畳み込み構造による時系列予測
- Authors: Yuanpeng He
- Abstract要約: 本稿では,時系列予測の問題に対処するために提案手法を提案する。
現代のモデルのほとんどは、短い範囲の情報のみに焦点を当てており、時系列予測のような問題で致命的なものである。
パフォーマンス上のアドバンテージがあることを実験的に検証した3つの主要なコントリビューションを行います。
- 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: The proposed method in this paper is designed to address the problem of time
series forecasting. Although some exquisitely designed models achieve excellent
prediction performances, how to extract more useful information and make
accurate predictions is still an open issue. Most of modern models only focus
on a short range of information, which are fatal for problems such as time
series forecasting which needs to capture long-term information
characteristics. As a result, the main concern of this work is to further mine
relationship between local and global information contained in time series to
produce more precise predictions. In this paper, to satisfactorily realize the
purpose, we make three main contributions that are experimentally verified to
have performance advantages. Firstly, original time series is transformed into
difference sequence which serves as input to the proposed model. And secondly,
we introduce the global atrous sliding window into the forecasting model which
references the concept of fuzzy time series to associate relevant global
information with temporal data within a time period and utilizes
central-bidirectional atrous algorithm to capture underlying-related features
to ensure validity and consistency of captured data. Thirdly, a variation of
widely-used asymmetric convolution which is called semi-asymmetric convolution
is devised to more flexibly extract relationships in adjacent elements and
corresponding associated global features with adjustable ranges of convolution
on vertical and horizontal directions. The proposed model in this paper
achieves state-of-the-art on most of time series datasets provided compared
with competitive modern models.
- Abstract（参考訳）: 本稿では,時系列予測の問題に対処するために提案手法を提案する。
いくつかの厳密に設計されたモデルは優れた予測性能を達成するが、より有用な情報を抽出し、正確な予測を行う方法はまだ未解決の課題である。
現代のモデルのほとんどは短い範囲の情報のみに焦点を当てており、長期的な情報特性を捉えなければならない時系列予測のような問題では致命的である。
その結果、本研究の主な関心事は、時系列に含まれる地域情報とグローバル情報の関係をさらに掘り下げ、より正確な予測を行うことである。
本稿では,その目的を十分に実現するために,性能上の優位性を実証した3つの主要な貢献を行う。
まず、元の時系列を差分列に変換し、提案モデルへの入力として機能する。
第2に、ファジィ時系列の概念を参考に、時間内の時間的データと関連するグローバル情報を関連付け、中央双方向のアトラスアルゴリズムを用いて、その基礎となる特徴を捉えることにより、キャプチャーデータの妥当性と整合性を確保する。
第3に、半非対称畳み込みと呼ばれる広く使用される非対称畳み込みのバリエーションは、垂直方向および水平方向の畳み込み範囲の調整可能な、隣接する要素と対応する大域的特徴との関係をより柔軟に抽出するために考案される。
本稿では,競合する現代モデルと比較して,ほとんどの時系列データセットに対して最先端のモデルを実現する。
関連論文リスト
- Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。
既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。
本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文 参考訳（メタデータ） (2024-11-24T04:56:45Z) - DAM: Towards A Foundation Model for Time Series Forecasting [0.8231118867997028]
本稿では,ランダムにサンプリングされた履歴を抽出し,時間連続関数として調整可能な基底組成を出力するニューラルモデルを提案する。
1)長い尾の分布からランダムにサンプリングされたヒストリーを使用する柔軟なアプローチ、(2)これらの活発にサンプリングされたヒストリーに基づいてトレーニングされたトランスフォーマーバックボーンを表現的出力として、(3)時間の連続関数の基底係数を含む。
論文 参考訳（メタデータ） (2024-07-25T08:48:07Z) - Context Neural Networks: A Scalable Multivariate Model for Time Series Forecasting [5.5711773076846365]
実世界の時系列は、しばしば孤立して取得できない複雑な相互依存性を示す。
本稿では,時系列モデルに関連性のある文脈洞察を付加する,効率的な線形複雑化手法であるContext Neural Networkを紹介する。
論文 参考訳（メタデータ） (2024-05-12T00:21:57Z) - Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。
Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。
Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-02-04T20:00:45Z) - 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) - Respecting Time Series Properties Makes Deep Time Series Forecasting
Perfect [3.830797055092574]
時系列予測モデルにおいて、時間的特徴をどのように扱うかが重要な問題である。
本稿では,3つの有意だが未確立の深層時系列予測機構を厳密に分析する。
上記の分析に基づいて,新しい時系列予測ネットワーク,すなわちRTNetを提案する。
論文 参考訳（メタデータ） (2022-07-22T08:34:31Z) - Split Time Series into Patches: Rethinking Long-term Series Forecasting
with Dateformer [17.454822366228335]
時間は時系列の最も重要な特徴の1つだが、あまり注目されていない。
本稿では、上記のプラクティスに従うのではなく、モデリング時間に注意を向けるDateformerを提案する。
ディザフォーマーは、40%の顕著な相対的な改善で最先端の精度を達成し、最大信頼性予測範囲を半年レベルに拡大する。
論文 参考訳（メタデータ） (2022-07-12T08:58:44Z) - 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) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳（メタデータ） (2021-10-26T20:41:19Z) - Deep Autoregressive Models with Spectral Attention [74.08846528440024]
本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。
時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。
時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
論文 参考訳（メタデータ） (2021-07-13T11:08:47Z) - Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。
ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。
我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文 参考訳（メタデータ） (2020-06-20T03:29:02Z)
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。