論文の概要: Revisiting Long-term Time Series Forecasting: An Investigation on Linear
Mapping
- arxiv url: http://arxiv.org/abs/2305.10721v1
- Date: Thu, 18 May 2023 05:39:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-19 16:53:38.605134
- Title: Revisiting Long-term Time Series Forecasting: An Investigation on Linear
Mapping
- Title(参考訳): 時系列予測の再検討:線形マッピングの検討
- Authors: Zhe Li, Shiyi Qi, Yiduo Li, Zenglin Xu
- Abstract要約: 単一の線形層は、他の複雑なアーキテクチャと比較して競争力のある予測性能を達成することができる。
RevIN(Reversible normalization)とCI(Channel Independent)は、全体的な予測パフォーマンスを改善する上で重要な役割を担います。
- 参考スコア(独自算出の注目度): 16.112801440634378
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-term time series forecasting has gained significant attention in recent
years. While there are various specialized designs for capturing temporal
dependency, previous studies have demonstrated that a single linear layer can
achieve competitive forecasting performance compared to other complex
architectures. In this paper, we thoroughly investigate the intrinsic
effectiveness of recent approaches and make three key observations: 1) linear
mapping is critical to prior long-term time series forecasting efforts; 2)
RevIN (reversible normalization) and CI (Channel Independent) play a vital role
in improving overall forecasting performance; and 3) linear mapping can
effectively capture periodic features in time series and has robustness for
different periods across channels when increasing the input horizon. We provide
theoretical and experimental explanations to support our findings and also
discuss the limitations and future works. Our framework's code is available at
\url{https://github.com/plumprc/RTSF}.
- Abstract(参考訳): 近年,長期の時系列予測が注目されている。
時間依存を捉えるための特別な設計はいくつかあるが、以前の研究では、1つの線形層が他の複雑なアーキテクチャと比較して競合予測性能を達成できることが示されている。
本稿では,近年のアプローチの本質的効果を徹底的に検討し,3つの重要な観察を行った。
1) 線形マッピングは,事前の長期時系列予測に不可欠である。
2)RevIN(可逆正規化)とCI(チャンネル独立)は、全体的な予測性能を改善する上で重要な役割を果たす。
3) 線形写像は, 時系列の周期的特徴を効果的に捉え, 入力地平線を増大させる際に, チャネル間の異なる周期の堅牢性を有する。
本研究の成果を裏付ける理論的・実験的説明と,その限界と今後の課題について論じる。
私たちのフレームワークのコードは \url{https://github.com/plumprc/RTSF} で利用可能です。
関連論文リスト
- Multi-Scale Dilated Convolution Network for Long-Term Time Series Forecasting [17.132063819650355]
時系列の周期と傾向を捉えるために,MSDCN(Multi Scale Dilated Convolution Network)を提案する。
指数関数的に増加する拡張と異なるカーネルサイズを持つ異なる畳み込みブロックを設計し、異なるスケールで時系列データをサンプリングする。
提案手法の有効性を検証するため,8つの長期時系列予測ベンチマークデータセットを用いて実験を行った。
論文 参考訳(メタデータ) (2024-05-09T02:11:01Z) - Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。
既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。
本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
論文 参考訳(メタデータ) (2024-03-31T17:18:57Z) - MPR-Net:Multi-Scale Pattern Reproduction Guided Universality Time Series
Interpretable Forecasting [13.790498420659636]
時系列予測は、その広範な応用が本質的に困難なため、既存の研究から幅広い関心を集めている。
本稿では,まず,畳み込み操作を用いてマルチスケールの時系列パターンを適応的に分解し,パターン再現の既知に基づいてパターン拡張予測手法を構築し,最終的に畳み込み操作を用いて将来的なパターンを再構築する。
時系列に存在する時間的依存関係を活用することで、MPR-Netは線形時間複雑性を達成するだけでなく、予測プロセスも解釈できる。
論文 参考訳(メタデータ) (2023-07-13T13:16:01Z) - 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) - Mlinear: Rethink the Linear Model for Time-series Forecasting [9.841293660201261]
Mlinearは、主に線形層に基づく単純だが効果的な方法である。
複数のデータセット上で広く使われている平均二乗誤差(MSE)を大幅に上回る新しい損失関数を導入する。
提案手法は,PatchTSTを336列長入力で21:3,512列長入力で29:10で有意に上回った。
論文 参考訳(メタデータ) (2023-05-08T15:54:18Z) - The Capacity and Robustness Trade-off: Revisiting the Channel
Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。
以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。
本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
論文 参考訳(メタデータ) (2023-04-11T13:15:33Z) - 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) - DEPTS: Deep Expansion Learning for Periodic Time Series Forecasting [83.60876685008225]
PTS予測のための深層拡張学習フレームワークDEPTSを導入する。
DEPTSは、周期状態を隠れ変数として導入することで、分離された定式化から始まる。
我々の2つのカスタマイズされたモジュールは、局所的なモーメントまたはグローバルな周期性に予測を帰属させるなど、ある程度の解釈可能な能力を持っている。
論文 参考訳(メタデータ) (2022-03-15T06:51:58Z) - 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) - Two-Stage Framework for Seasonal Time Series Forecasting [9.359683664929957]
季節の時系列予測は、季節性からの長期依存のために挑戦的な問題のままです。
季節の時系列を予測できる2段階フレームワークを提案する。
本研究では,第1段階で生成した中間結果を既存の予測モデルに組み込むことで,予測性能を効果的に向上できることを示す。
論文 参考訳(メタデータ) (2021-03-03T02:53:39Z)
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。