論文の概要: Your time series is worth a binary image: machine vision assisted deep
framework for time series forecasting
- arxiv url: http://arxiv.org/abs/2302.14390v1
- Date: Tue, 28 Feb 2023 08:17:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-01 17:28:14.205258
- Title: Your time series is worth a binary image: machine vision assisted deep
framework for time series forecasting
- Title(参考訳): 時系列はバイナリイメージに価値がある: 時系列予測のためのマシンビジョン支援ディープフレームワーク
- Authors: Luoxiao Yang, Xinqi Fan, Zijun Zhang
- Abstract要約: 本稿では,新しい機械ビジョン支援ディープ時系列解析(MV-DTSA)フレームワークを提案する。
MV-DTSAフレームワークは、新しいバイナリマシンビジョン時系列計量空間における時系列データを解析することによって動作する。
包括的な計算解析により,提案したMV-DTSAフレームワークは最先端の深部TSFモデルより優れていることが示された。
- 参考スコア(独自算出の注目度): 6.290910602456352
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series forecasting (TSF) has been a challenging research area, and
various models have been developed to address this task. However, almost all
these models are trained with numerical time series data, which is not as
effectively processed by the neural system as visual information. To address
this challenge, this paper proposes a novel machine vision assisted deep time
series analysis (MV-DTSA) framework. The MV-DTSA framework operates by
analyzing time series data in a novel binary machine vision time series metric
space, which includes a mapping and an inverse mapping function from the
numerical time series space to the binary machine vision space, and a deep
machine vision model designed to address the TSF task in the binary space. A
comprehensive computational analysis demonstrates that the proposed MV-DTSA
framework outperforms state-of-the-art deep TSF models, without requiring
sophisticated data decomposition or model customization. The code for our
framework is accessible at https://github.com/IkeYang/
machine-vision-assisted-deep-time-series-analysis-MV-DTSA-.
- Abstract(参考訳): 時系列予測(tsf)は困難な研究分野であり、この課題に対処するために様々なモデルが開発されている。
しかし、これらのモデルのほとんどは数値時系列データで訓練されており、視覚情報ほど効果的には処理されない。
そこで本稿では,この課題に対処するために,mv-dtsa(deep time series analysis)フレームワークを提案する。
MV−DTSAフレームワークは、数値時系列空間からバイナリマシンビジョン空間への写像と逆マッピング関数を含む、新しいバイナリマシンビジョン時系列計量空間における時系列データを解析し、バイナリ空間におけるTLFタスクに対処するように設計されたディープマシンビジョンモデルを実行する。
包括的な計算分析により、MV-DTSAフレームワークは高度なデータ分解やモデルカスタマイズを必要とせず、最先端の深層TSFモデルより優れていることが示された。
私たちのフレームワークのコードはhttps://github.com/IkeYang/ machine-vision-assisted-deep-time-series-analysis-MV-DTSA-でアクセスできます。
関連論文リスト
- 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) - Time-LLM: Time Series Forecasting by Reprogramming Large Language Models [110.20279343734548]
時系列予測は多くの実世界の力学系において重要な意味を持つ。
時系列予測のための大規模言語モデルを再利用するための再プログラミングフレームワークであるTime-LLMを提案する。
Time-LLMは、最先端の特殊な予測モデルよりも優れた、強力な時系列学習者である。
論文 参考訳(メタデータ) (2023-10-03T01:31:25Z) - Revealing the Power of Spatial-Temporal Masked Autoencoders in
Multivariate Time Series Forecasting [17.911251232225094]
マスク付きオートエンコーダを用いて時空間ベースラインモデルの性能を向上させるMSS予測フレームワークを提案する。
事前トレーニング段階では、部分的に見えるMSSデータを処理するためにエンコーダ・デコーダアーキテクチャが使用される。
微調整段階では、エンコーダを保持し、既存の時空間モデルから元のデコーダを付加して予測を行う。
論文 参考訳(メタデータ) (2023-09-26T18:05:19Z) - 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) - TimeMAE: Self-Supervised Representations of Time Series with Decoupled
Masked Autoencoders [55.00904795497786]
トランスフォーマネットワークに基づく転送可能な時系列表現を学習するための,新しい自己教師型パラダイムであるTimeMAEを提案する。
TimeMAEは双方向符号化方式を用いて時系列の豊富な文脈表現を学習する。
新たに挿入されたマスク埋め込みによって生じる不一致を解消するため、分離されたオートエンコーダアーキテクチャを設計する。
論文 参考訳(メタデータ) (2023-03-01T08:33:16Z) - ViTs for SITS: Vision Transformers for Satellite Image Time Series [52.012084080257544]
ビジョン変換器(ViT)に基づく一般衛星画像時系列(SITS)処理のための完全アテンショナルモデルを提案する。
TSViTはSITSレコードを空間と時間で重複しないパッチに分割し、トークン化し、分解されたテンポロ空間エンコーダで処理する。
論文 参考訳(メタデータ) (2023-01-12T11:33:07Z) - 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) - Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
時系列データは、気候、経済、医療などいくつかの領域で広く使われている。
最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。
ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
論文 参考訳(メタデータ) (2021-10-11T13:46:28Z) - 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。