論文の概要: Periodicity Intensity Reveals Insights into Time Series Data: Three Use Cases

• arxiv url: http://arxiv.org/abs/2302.09293v1
• Date: Wed, 15 Feb 2023 15:57:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-26 14:43:44.393328
• Title: Periodicity Intensity Reveals Insights into Time Series Data: Three Use Cases
• Title（参考訳）: 時系列データへの周期性インテンシティの洞察:3つのユースケース
• Authors: Alan F. Smeaton and Feiyan Hu
• Abstract要約: 周期図は、時系列全体にわたって異なる周波数での振動の強度を測定するために用いられる。 時として、特定の周波数における周期性強度がシリーズ全体を通してどのように変化するかを測定することに興味がある。 これは、ウィンドウ内の周期強度を計算し、ウィンドウの強度をスライドして再計算することで実現できる。
• 参考スコア（独自算出の注目度）: 3.236217153362305
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Periodic phenomena are oscillating signals found in many naturally-occurring time series. A periodogram can be used to measure the intensities of oscillations at different frequencies over an entire time series but sometimes we are interested in measuring how periodicity intensity at a specific frequency varies throughout the time series. This can be done by calculating periodicity intensity within a window then sliding and recalculating the intensity for the window, giving an indication of how periodicity intensity at a specific frequency changes throughout the series. We illustrate three applications of this the first of which is movements of a herd of new-born calves where we show how intensity of the 24h periodicity increases and decreases synchronously across the herd. We also show how changes in 24h periodicity intensity of activities detected from in-home sensors can be indicative of overall wellness. We illustrate this on several weeks of sensor data gathered from each of the homes of 23 older adults. Our third application is the intensity of 7-day periodicity of hundreds of University students accessing online resources from a virtual learning environment (VLE) and how the regularity of their weekly learning behaviours changes throughout a teaching semester. The paper demonstrates how periodicity intensity reveals insights into time series data not visible using other forms of analysis
• Abstract（参考訳）: 周期現象は、多くの自然発生時系列で見られる振動信号である。 周期図は、時系列全体を通して異なる周波数での振動の強度を測定するために用いられるが、特定の周波数における周期強度が時系列全体を通してどのように変化するかを測定することに興味がある。 これは、ウィンドウ内の周期強度を計算し、ウィンドウの強度をスライディングして再計算することで実現でき、特定の周波数での周期強度がシリーズ全体でどのように変化するかを示すことができる。 まず、24時間周期性の強さが群れ全体でどのように増加し、同期的に減少するかを示す新生子牛群の動きについて、本研究の3つの応用例を示す。 また,家庭内センサから検出された活動の24時間周期強度の変化が全体のウェルネスの指標となることを示す。 これを、23人の高齢者の家庭から収集された数週間のセンサーデータで説明する。 第3の応用は、仮想学習環境(VLE)からオンラインリソースにアクセスする何百人もの大学生の7日間の周期性の強さと、週次学習行動の規則性がどのように変化するかである。 本論文は, 時系列データにおける周期性強度が, その他の分析方法を用いて見えない洞察をいかに示すかを示す。

関連論文リスト

• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• EEPPR: Event-based Estimation of Periodic Phenomena Rate using Correlation in 3D [0.0]
  本稿では,イベントカメラによる周期現象の速度測定手法を提案する。 この手法は周期現象に対して、時間空間との時間差で時間窓内で非常に類似した事象が生成されることを仮定する。 提案手法であるEEPEPは,12の周期現象のデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2024-08-13T13:50:46Z)
• Warped Time Series Anomaly Detection [0.94371657253557]
  本稿では,繰り返し動作を伴うシステムに焦点をあて,時系列の外れ値を検出する問題に対処する。 WarpEd Time Series Anomaly Detection (WETSAND) と呼ばれる全体的なアプローチは、動的時間ワープアルゴリズムとその変種を利用する。 実験の結果、ウェットサンドは大きな信号にスケールし、人間に親しみやすいプロトタイプを計算し、非常に少ないデータで動作し、オートエンコーダのような汎用的な異常検出アプローチよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-04-18T12:35:24Z)
• EE3P: Event-based Estimation of Periodic Phenomena Properties [0.0]
  本稿では,イベントカメラを用いた周期現象の特性測定手法を提案する。 全ての実験において、本手法は、基底真理測定の誤差マージンである0.04%よりも相対的に低い誤差を達成する。
  論文  参考訳（メタデータ） (2024-02-22T20:37:30Z)
• A Variational Autoencoder for Neural Temporal Point Processes with Dynamic Latent Graphs [45.98786737053273]
  このような時間的ダイナミクスの混合を捕捉する新しい変分自動エンコーダを提案する。 モデルは、学習した依存性グラフを使用して、過去のイベントの非貢献的な影響を取り除くことによって、将来のイベント時間を予測する。
  論文  参考訳（メタデータ） (2023-12-26T15:11:55Z)
• Enhancing Representation Learning for Periodic Time Series with Floss: A Frequency Domain Regularization Approach [26.92614573306619]
  本稿では、周波数領域における学習表現を自動的に正規化するFlossと呼ばれる教師なし手法を提案する。 我々は、Flossの有効性を示すために、一般的な時系列分類、予測、異常検出タスクについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-08-02T08:37:45Z)
• Intensity Profile Projection: A Framework for Continuous-Time Representation Learning for Dynamic Networks [50.2033914945157]
  本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。 このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。 さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T15:38:25Z)
• Boosting Night-time Scene Parsing with Learnable Frequency [53.05778451012621]
  NTSP(Night-Time Scene Parsing)は多くの視覚アプリケーション、特に自律運転に必須である。 既存の手法のほとんどは日中シーン解析のために提案されている。 提案手法は,NightCity,NightCity+およびBDD100K-nightデータセットの最先端手法に対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2022-08-30T13:09:59Z)
• 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)
• SCoT: Sense Clustering over Time: a tool for the analysis of lexical change [79.80787569986283]
  我々は、語彙変化を分析する新しいネットワークベースのツールであるSense Clustering over Time (SCoT)を提示する。 SCoTは、単語の意味を類似した単語の集合として表現する。 危機の意味の変化に関するヨーロッパの研究で、うまく使われてきた」。
  論文  参考訳（メタデータ） (2022-03-18T12:04:09Z)
• RobustPeriod: Time-Frequency Mining for Robust Multiple Periodicity Detection [36.254037216142244]
  複数の周期性検出のための頑健で汎用的なフレームワークを提案する。 我々のアルゴリズムは、時系列を複数の時間周波数スケールに変換するために、最大重なり合う離散ウェーブレット変換を適用している。 合成および実世界のデータセットの実験により、我々のアルゴリズムは、単周期検出と複数周期検出の両方において、他の一般的なデータセットよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-02-21T20:10:36Z)

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。