論文の概要: Cross-LKTCN: Modern Convolution Utilizing Cross-Variable Dependency for
Multivariate Time Series Forecasting Dependency for Multivariate Time Series
Forecasting
- arxiv url: http://arxiv.org/abs/2306.02326v1
- Date: Sun, 4 Jun 2023 10:50:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 18:26:06.525891
- Title: Cross-LKTCN: Modern Convolution Utilizing Cross-Variable Dependency for
Multivariate Time Series Forecasting Dependency for Multivariate Time Series
Forecasting
- Title(参考訳): クロスLKTCN:多変量時系列予測におけるクロス変数依存性を利用した現代的畳み込み
- Authors: Donghao Luo, Xue Wang
- Abstract要約: 正確な予測結果の鍵となるのは、各タイムステップ間の長期的な依存関係をキャプチャすることだ。
最近の手法は主にクロスタイムの依存性に焦点を当てているが、クロス変数の依存性を考慮することはめったにない。
我々は、クロス時間とクロス変数の依存関係をよりよく活用するために、現代的な純粋な畳み込み構造、すなわちクロス-LKTCNを提案する。
- 参考スコア(独自算出の注目度): 9.433527676880903
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The past few years have witnessed the rapid development in multivariate time
series forecasting. The key to accurate forecasting results is capturing the
long-term dependency between each time step (cross-time dependency) and
modeling the complex dependency between each variable (cross-variable
dependency) in multivariate time series. However, recent methods mainly focus
on the cross-time dependency but seldom consider the cross-variable dependency.
To fill this gap, we find that convolution, a traditional technique but
recently losing steam in time series forecasting, meets the needs of
respectively capturing the cross-time and cross-variable dependency. Based on
this finding, we propose a modern pure convolution structure, namely
Cross-LKTCN, to better utilize both cross-time and cross-variable dependency
for time series forecasting. Specifically in each Cross-LKTCN block, a
depth-wise large kernel convolution with large receptive field is proposed to
capture cross-time dependency, and then two successive point-wise group
convolution feed forward networks are proposed to capture cross-variable
dependency. Experimental results on real-world benchmarks show that Cross-LKTCN
achieves state-of-the-art forecasting performance and improves the forecasting
accuracy significantly compared with existing convolutional-based models and
cross-variable methods.
- Abstract(参考訳): 過去数年間、多変量時系列予測の急速な発展を目撃してきた。
正確な予測結果の鍵は、各時間ステップ(クロスタイム依存性)間の長期的な依存関係をキャプチャし、多変量時系列における各変数(クロス変数依存性)間の複雑な依存関係をモデル化することだ。
しかし、最近のメソッドは主にクロスタイムの依存性に焦点を当てているが、クロス変数の依存性を考慮することはめったにない。
このギャップを埋めるために、従来のテクニックである畳み込みが、最近時系列の予測において蒸気を失い、それぞれがクロスタイムとクロス変数の依存関係をキャプチャするニーズを満たすことを発見した。
そこで本研究では,時間列予測におけるクロスタイムとクロス変数依存性の両面をよりよく活用するために,Cross-LKTCNという現代的な純粋畳み込み構造を提案する。
具体的には、各クロスLKTCNブロックにおいて、大きな受容場を持つ深さワイドな大きなカーネル畳み込みがクロスタイム依存を捉えるために提案され、次に2つの連続したポイントワイドグループ畳み込みフィードフォワードネットワークがクロス変数依存を捉えるために提案される。
実世界のベンチマーク実験の結果、Cross-LKTCNは既存の畳み込みモデルやクロス変数手法と比較して最先端の予測性能を達成し、予測精度を著しく向上することが示された。
関連論文リスト
- TimeCNN: Refining Cross-Variable Interaction on Time Point for Time Series Forecasting [44.04862924157323]
トランスフォーマーベースのモデルは、クロスタイムとクロス変数の相互作用をモデル化する上で大きなポテンシャルを示す。
本稿では,時系列予測を強化するために,異種間相互作用を洗練するためのTimeCNNモデルを提案する。
12の実世界のデータセットで実施された大規模な実験は、TimeCNNが一貫して最先端のモデルを上回っていることを示している。
論文 参考訳(メタデータ) (2024-10-07T09:16:58Z) - Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
我々は時系列の統一予測のための生成変換器Timer-XLを提案する。
Timer-XLは、統一されたアプローチにより、挑戦的な予測ベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-10-07T07:27:39Z) - UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。
提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
論文 参考訳(メタデータ) (2024-06-07T14:39:28Z) - ForecastGrapher: Redefining Multivariate Time Series Forecasting with Graph Neural Networks [9.006068771300377]
本稿では、複雑な時間的ダイナミクスと系列間相関をキャプチャするフレームワークであるForecastGrapherを紹介する。
提案手法は,各系列の時間的変動を反映するカスタムノード埋め込みの生成,系列間の相関関係を符号化する適応的隣接行列の構築,および第3に,ノード特徴分布の多様化によるGNNの表現力の増大という,3つの重要なステップによって支えられている。
論文 参考訳(メタデータ) (2024-05-28T10:40:20Z) - VCformer: Variable Correlation Transformer with Inherent Lagged Correlation for Multivariate Time Series Forecasting [1.5165632546654102]
本稿では,変数間の相関を抽出する可変相関変換器(VCformer)を提案する。
VCAはクエリとキー間の遅延に応じて、相互相関スコアを計算し、統合する。
クープマンダイナミクス理論にインスパイアされた我々は、時系列の非定常性を改善するために、クープマン時間検出器(KTD)を開発した。
論文 参考訳(メタデータ) (2024-05-19T07:39:22Z) - 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) - CVTN: Cross Variable and Temporal Integration for Time Series Forecasting [5.58591579080467]
本稿では,時系列予測を歴史的シーケンスと予測シーケンスの学習に分解する。
時系列予測を2つのフェーズに分割する: 歴史的シーケンスからフェアチャーを効果的にマイニングするクロス変数学習と、予測シーケンスの時間的依存関係をキャプチャするクロスタイム学習である。
論文 参考訳(メタデータ) (2024-04-29T14:16:16Z) - 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) - Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。
階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文 参考訳(メタデータ) (2023-05-11T10:30:35Z) - Instance-wise Graph-based Framework for Multivariate Time Series
Forecasting [69.38716332931986]
我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。
私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
論文 参考訳(メタデータ) (2021-09-14T07:38:35Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳(メタデータ) (2020-05-24T04:02:18Z)
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。