論文の概要: TFDNet: Time-Frequency Enhanced Decomposed Network for Long-term Time
Series Forecasting
- arxiv url: http://arxiv.org/abs/2308.13386v1
- Date: Fri, 25 Aug 2023 14:01:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-28 13:40:51.595682
- Title: TFDNet: Time-Frequency Enhanced Decomposed Network for Long-term Time
Series Forecasting
- Title(参考訳): TFDNet:長期連続予測のための時間周波数拡張分解ネットワーク
- Authors: Yuxiao Luo, Ziyu Lyu, Xingyu Huang
- Abstract要約: 長期の時系列予測は重要な課題であり、幅広い応用がある。
最近の手法は、1つのドメインから下位のパターンをキャプチャすることに焦点を当てている。
本稿では時間周波数拡張分解ネットワーク(TFDNet)を提案する。
- 参考スコア(独自算出の注目度): 2.6361094144982005
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-term time series forecasting is a vital task and has a wide range of
real applications. Recent methods focus on capturing the underlying patterns
from one single domain (e.g. the time domain or the frequency domain), and have
not taken a holistic view to process long-term time series from the
time-frequency domains. In this paper, we propose a Time-Frequency Enhanced
Decomposed Network (TFDNet) to capture both the long-term underlying patterns
and temporal periodicity from the time-frequency domain. In TFDNet, we devise a
multi-scale time-frequency enhanced encoder backbone and develop two separate
trend and seasonal time-frequency blocks to capture the distinct patterns
within the decomposed trend and seasonal components in multi-resolutions.
Diverse kernel learning strategies of the kernel operations in time-frequency
blocks have been explored, by investigating and incorporating the potential
different channel-wise correlation patterns of multivariate time series.
Experimental evaluation of eight datasets from five benchmark domains
demonstrated that TFDNet is superior to state-of-the-art approaches in both
effectiveness and efficiency.
- Abstract(参考訳): 長期的な時系列予測は重要な課題であり、幅広い応用例がある。
最近の手法では、1つのドメイン(例えば、時間領域や周波数領域)から基礎となるパターンを捉えることに重点を置いており、時間周波数領域から長期時系列を処理するための全体論的な視点を持っていない。
本稿では,時間周波数領域から長期的パターンと時間周期性の両方を捉えるための時間周波数強化分解ネットワーク(tfdnet)を提案する。
tfdnetでは、マルチスケールの時間周波数エンコーダバックボーンを考案し、2つの異なるトレンドと季節の時間周波数ブロックを開発し、分解されたトレンドと季節成分の異なるパターンをマルチレゾリューションで捉える。
時間周波数ブロックにおけるカーネル操作の多様なカーネル学習戦略について,多変量時系列のチャネルワイド相関パターンについて検討し,検討した。
5つのベンチマークドメインから8つのデータセットを実験的に評価したところ、TFDNetは有効性と効率の両方において最先端のアプローチよりも優れていることがわかった。
関連論文リスト
- Efficient High-Resolution Time Series Classification via Attention
Kronecker Decomposition [17.71968215237596]
高分解能時系列分類は、様々な領域で詳細な時間データが利用可能になるために不可欠である。
そこで我々は,Kroneckerで分解された注目を多段階の時系列処理に向けることで,新しい時系列トランスフォーマーバックボーン(KronTime)を提案する。
4つの時系列データセットによる実験は, ベースライン法と比較して, 優れた分類結果を示し, 効率が向上した。
論文 参考訳(メタデータ) (2024-03-07T20:14:20Z) - PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from
the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。
7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文 参考訳(メタデータ) (2024-02-25T17:39:44Z) - Long-Term Invariant Local Features via Implicit Cross-Domain
Correspondences [79.21515035128832]
我々は、様々なドメイン変更の下で、現在の最先端特徴抽出ネットワークの性能を徹底的に分析する。
我々は、新しいデータ中心方式、Implicit Cross-Domain Correspondences (iCDC)を提案する。
iCDCは複数のニューラル・ラジアンス・フィールドで同じ環境を表し、それぞれが個々の視覚領域の下にシーンを適合させる。
論文 参考訳(メタデータ) (2023-11-06T18:53:01Z) - WFTNet: Exploiting Global and Local Periodicity in Long-term Time Series
Forecasting [61.64303388738395]
本稿では,長期連続予測のためのWavelet-Fourier Transform Network (WFTNet)を提案する。
さまざまな時系列データセットのテストでは、WFTNetは他の最先端のベースラインを一貫して上回っている。
論文 参考訳(メタデータ) (2023-09-20T13:44:18Z) - MPPN: Multi-Resolution Periodic Pattern Network For Long-Term Time
Series Forecasting [19.573651104129443]
長期の時系列予測は、様々な現実のシナリオにおいて重要な役割を果たす。
近年の時系列予測の深層学習手法は,分解法やサンプリング法により時系列の複雑なパターンを捉える傾向にある。
本稿では,MPPN(Multi- resolution Periodic Pattern Network)という,長期連続予測のための新しいディープラーニング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) (2023-06-12T07:00:37Z) - A Joint Time-frequency Domain Transformer for Multivariate Time Series
Forecasting [7.501660339993144]
本稿では、JTFT(Joint Time-Frequency Domain Transformer)を紹介する。
JTFTは時間と周波数領域の表現を組み合わせて予測を行う。
6つの実世界のデータセットの実験結果から、JTFTは予測性能において最先端のベースラインを上回っていることが示された。
論文 参考訳(メタデータ) (2023-05-24T02:37:23Z) - 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) - TFAD: A Decomposition Time Series Anomaly Detection Architecture with
Time-Frequency Analysis [12.867257563413972]
時系列異常検出は、複雑な時間的依存と限られたラベルデータのために難しい問題である。
本稿では,時間領域と周波数領域の両方を利用した時間周波数解析に基づく時系列異常検出モデル(TFAD)を提案する。
論文 参考訳(メタデータ) (2022-10-18T09:08:57Z) - TimesNet: Temporal 2D-Variation Modeling for General Time Series
Analysis [80.56913334060404]
時系列解析は、天気予報、異常検出、行動認識などの応用において非常に重要である。
従来の手法では、1D時系列から直接これを達成しようと試みていた。
複雑な経時的変化を、複数の経時的変化と経時的変化に明らかにする。
論文 参考訳(メタデータ) (2022-10-05T12:19:51Z) - Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of
Time Series [77.47313102926017]
Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。
それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。
radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
論文 参考訳(メタデータ) (2021-02-15T00:57:28Z) - Multi-Time Attention Networks for Irregularly Sampled Time Series [18.224344440110862]
不規則サンプリングは多くの時系列モデリングアプリケーションで発生する。
我々は,この設定のための新しいディープラーニングフレームワークを提案し,これをマルチ時間注意ネットワークと呼ぶ。
その結果,我々のアプローチは,ベースラインや最近提案されたモデルと同等かそれ以上の性能を示すことができた。
論文 参考訳(メタデータ) (2021-01-25T18:57:42Z)
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。