論文の概要: A Novel Method Combines Moving Fronts, Data Decomposition and Deep Learning to Forecast Intricate Time Series

• arxiv url: http://arxiv.org/abs/2303.06394v1
• Date: Sat, 11 Mar 2023 12:07:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-14 19:08:51.927778
• Title: A Novel Method Combines Moving Fronts, Data Decomposition and Deep Learning to Forecast Intricate Time Series
• Title（参考訳）: 時系列予測のための移動前線,データ分解,深層学習を組み合わせた新しい手法
• Authors: Debdarsan Niyogi
• Abstract要約: インド・サマーモンスーン・レインフォール(英語: Indian Summer Monsoon Rainfall、ISMR)は、インドの都市。 従来のワンタイム分解技術は、未来からの情報が漏れることに悩まされている。 データ漏洩を防止するために移動フロント(MF)法を提案する。
• 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: A univariate time series with high variability can pose a challenge even to Deep Neural Network (DNN). To overcome this, a univariate time series is decomposed into simpler constituent series, whose sum equals the original series. As demonstrated in this article, the conventional one-time decomposition technique suffers from a leak of information from the future, referred to as a data leak. In this work, a novel Moving Front (MF) method is proposed to prevent data leakage, so that the decomposed series can be treated like other time series. Indian Summer Monsoon Rainfall (ISMR) is a very complex time series, which poses a challenge to DNN and is therefore selected as an example. From the many signal processing tools available, Empirical Wavelet Transform (EWT) was chosen for decomposing the ISMR into simpler constituent series, as it was found to be more effective than the other popular algorithm, Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (CEEMDAN). The proposed MF method was used to generate the constituent leakage-free time series. Predictions and forecasts were made by state-of-the-art Long and Short-Term Memory (LSTM) network architecture, especially suitable for making predictions of sequential patterns. The constituent MF series has been divided into training, testing, and forecasting. It has been found that the model (EWT-MF-LSTM) developed here made exceptionally good train and test predictions, as well as Walk-Forward Validation (WFV), forecasts with Performance Parameter ($PP$) values of 0.99, 0.86, and 0.95, respectively, where $PP$ = 1.0 signifies perfect reproduction of the data.
• Abstract（参考訳）: 可変性の高い単変量時系列は、ディープニューラルネットワーク(DNN)にも挑戦できる。 これを克服するために、単変量時系列はより単純な構成級数に分解され、その和は元の級数と等しい。 本稿で示すように、従来の1回分解技術は、データリークと呼ばれる未来からの情報の漏洩に苦しむ。 本研究では,データ漏洩を防止し,分解系列を他の時系列のように扱うことが可能な,新しい移動フロント(mf)法を提案する。 インド夏モンスーン降雨(ISMR)は非常に複雑な時系列であり、DNNに挑戦し、その例として選ばれている。 利用可能な多くの信号処理ツールから、Impirical Wavelet Transform (EWT)は、他の一般的なアルゴリズムであるComplete Ensemble Empirical Mode Decomposition with Adaptive Noise (CEEMDAN)よりも効果的であることが判明し、ISMRを単純な構成系列に分解するために選ばれた。 提案するmf法は,成分漏れのない時系列を生成するために用いられた。 予測と予測は最先端の長短メモリ(LSTM)ネットワークアーキテクチャによって行われ、特にシーケンシャルパターンの予測に適している。 構成的MFシリーズは、トレーニング、テスト、予測に分けられている。 ここで開発されたモデル(EWT-MF-LSTM)は、ウォーク・フォワード・バリデーション(WFV)やパフォーマンスパラメータ(PP$)が0.99、0.86、0.95と非常に優れた予測を行い、PP$ = 1.0はデータの完全な複製を意味する。

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)
• TimeCMA: Towards LLM-Empowered Time Series Forecasting via Cross-Modality Alignment [21.690191536424567]
  TimeCMAは、モーダリティ間のアライメントを伴う時系列予測のフレームワークである。 実データに関する大規模な実験は、提案したフレームワークの精度と効率に関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-03T00:27:29Z)
• 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)
• A novel decomposed-ensemble time series forecasting framework: capturing underlying volatility information [6.590038231008498]
  本稿では, 時系列予測のパラダイムを提案する。このパラダイムは, 分解と, 時系列の揺らぎ情報を取得する能力を統合するものである。 各サブモードの数値データとボラティリティ情報の両方を利用してニューラルネットワークを訓練する。 このネットワークはサブモデムの情報予測に長けており、全てのサブモデムの予測を集約して最終的な出力を生成する。
  論文  参考訳（メタデータ） (2023-10-13T01:50:43Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)
• Explainable Parallel RCNN with Novel Feature Representation for Time Series Forecasting [0.0]
  時系列予測はデータサイエンスにおける根本的な課題である。 RNNとCNNを組み合わせた並列ディープラーニングフレームワークを開発した。 3つのデータセットに対する大規模な実験により,本手法の有効性が明らかとなった。
  論文  参考訳（メタデータ） (2023-05-08T17:20:13Z)
• Ti-MAE: Self-Supervised Masked Time Series Autoencoders [16.98069693152999]
  本稿では,Ti-MAEという新しいフレームワークを提案する。 Ti-MAEは、埋め込み時系列データをランダムにマスクアウトし、オートエンコーダを学び、ポイントレベルでそれらを再構築する。 いくつかの公開実世界のデータセットの実験では、マスク付きオートエンコーディングのフレームワークが生データから直接強力な表現を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-01-21T03:20:23Z)
• 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)
• 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)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Time Series Forecasting via Learning Convolutionally Low-Rank Models [18.61160269442917]
  最近、citetliu:arxiv: 2019は圧縮センシングの観点から時系列予測のかなり難しい問題を研究した。 彼らは、Convolution Nuclear Norm Minimization(CNNM)と呼ばれる非学習方法を提案し、CNNMが観察された部分からシリーズの将来の部分を正確に回復できることを証明しました。 本稿では,学習可能な正規直交変換をcnnmに統合することでこの問題にアプローチする。 学習に基づくcnnm (lbcnnm) と呼ばれる結果モデルが, 系列の将来的な部分の同定に厳密に成功することを証明した。
  論文  参考訳（メタデータ） (2021-04-23T09:53:28Z)

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。