論文の概要: Cross-Frequency Time Series Meta-Forecasting
- arxiv url: http://arxiv.org/abs/2302.02077v1
- Date: Sat, 4 Feb 2023 03:22:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-07 20:22:42.562908
- Title: Cross-Frequency Time Series Meta-Forecasting
- Title(参考訳): クロス周波数時系列メタフォアキャスティング
- Authors: Mike Van Ness, Huibin Shen, Hao Wang, Xiaoyong Jin, Danielle C.
Maddix, Karthick Gopalswamy
- Abstract要約: 本稿では、周波数不変表現の学習に特化して設計された連続周波数適応器(CFA)を紹介する。
CFAは、目に見えない周波数に一般化する際のパフォーマンスを大幅に改善し、より大きなマルチ周波数データセットを予測するための第一歩となる。
- 参考スコア(独自算出の注目度): 7.809667883159047
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Meta-forecasting is a newly emerging field which combines meta-learning and
time series forecasting. The goal of meta-forecasting is to train over a
collection of source time series and generalize to new time series
one-at-a-time. Previous approaches in meta-forecasting achieve competitive
performance, but with the restriction of training a separate model for each
sampling frequency. In this work, we investigate meta-forecasting over
different sampling frequencies, and introduce a new model, the Continuous
Frequency Adapter (CFA), specifically designed to learn frequency-invariant
representations. We find that CFA greatly improves performance when
generalizing to unseen frequencies, providing a first step towards forecasting
over larger multi-frequency datasets.
- Abstract(参考訳): meta-forecastingは、メタラーニングと時系列予測を組み合わせた新しい分野だ。
meta-forecastingの目標は、ソース時系列のコレクションをトレーニングし、新しい時系列に1回ずつ一般化することだ。
メタ予測における従来のアプローチは競合性能を実現するが、サンプリング周波数ごとに個別のモデルを訓練する制限がある。
本研究では,様々なサンプリング周波数のメタフォアキャスティングを調査し,新しいモデルである連続周波数アダプタ(cfa)を導入し,周波数不変表現を学習する。
我々は、CFAが周波数を一般化する際の性能を大幅に改善し、より大規模なマルチ周波数データセットを予測するための第一歩となることを発見した。
関連論文リスト
- Unified Training of Universal Time Series Forecasting Transformers [110.79681024473159]
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) - FreDF: Learning to Forecast in Frequency Domain [56.24773675942897]
時系列モデリングは、歴史的シーケンスとラベルシーケンスの両方に自己相関が存在するという点で、独特な課題である。
本稿では、周波数領域の予測を学習することでラベル自己相関の複雑さを回避できる周波数強調直接予測(FreDF)を導入する。
論文 参考訳(メタデータ) (2024-02-04T08:23:41Z) - 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) - 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) - Self-Supervised Contrastive Pre-Training For Time Series via
Time-Frequency Consistency [19.1862172442857]
メソッドは、異なる時間的ダイナミクスを持つターゲットドメインに対応する必要がある。
時間周波数整合性(TF-C)は事前トレーニングに望ましい。
TF-Cは1対1の設定で平均15.4%(F1スコア)でベースラインを上回っている。
論文 参考訳(メタデータ) (2022-06-17T00:45:04Z) - Meta-Forecasting by combining Global DeepRepresentations with Local
Adaptation [12.747008878068314]
メタグローバルローカル自動回帰(Meta-GLAR)と呼ばれる新しい予測手法を導入する。
それは、リカレントニューラルネットワーク(RNN)によって生成された表現からワンステップアヘッド予測へのマッピングをクローズドフォームで学習することで、各時系列に適応する。
本手法は,先行研究で報告されたサンプル外予測精度において,最先端の手法と競合する。
論文 参考訳(メタデータ) (2021-11-05T11:45:02Z) - 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) - Improving the Accuracy of Global Forecasting Models using Time Series
Data Augmentation [7.38079566297881]
GFM(Global Forecasting Models)として知られる多くの時系列のセットでトレーニングされた予測モデルは、競争や実世界のアプリケーションを予測する上で有望な結果を示している。
本稿では,GFMモデルのベースライン精度を向上させるための,データ拡張に基づく新しい予測フレームワークを提案する。
論文 参考訳(メタデータ) (2020-08-06T13:52:20Z) - Feature Transformation Ensemble Model with Batch Spectral Regularization
for Cross-Domain Few-Shot Classification [66.91839845347604]
特徴抽出ネットワークの後に多様な特徴変換を行うことにより,アンサンブル予測モデルを提案する。
我々は,事前学習中に特徴行列の特異値を抑制するために,バッチスペクトル正規化項を用い,モデルの一般化能力を向上させる。
提案したモデルは、ターゲット領域で微調整して、数発の分類に対処することができる。
論文 参考訳(メタデータ) (2020-05-18T05:31:04Z) - Pattern-based Long Short-term Memory for Mid-term Electrical Load
Forecasting [0.0]
本研究は,1年間の地平線で月次電力需要時系列を予測するためのネットワークを提示する。
この研究の新規性は、分解の代替として季節時系列のパターン表現を使用することである。
欧州35か国における月次電力需要時系列のシミュレーション研究により,提案モデルの高性能性が確認された。
論文 参考訳(メタデータ) (2020-04-22T08:39:32Z)
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。