論文の概要: AutoMixer for Improved Multivariate Time-Series Forecasting on Business
and IT Observability Data
- arxiv url: http://arxiv.org/abs/2310.20280v2
- Date: Thu, 2 Nov 2023 09:17:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-03 10:15:50.004880
- Title: AutoMixer for Improved Multivariate Time-Series Forecasting on Business
and IT Observability Data
- Title(参考訳): ビジネスおよびIT可観測データに基づく多変量時系列予測の改善のためのAutoMixer
- Authors: Santosh Palaskar, Vijay Ekambaram, Arindam Jati, Neelamadhav Gantayat,
Avirup Saha, Seema Nagar, Nam H. Nguyen, Pankaj Dayama, Renuka Sindhgatta,
Prateeti Mohapatra, Harshit Kumar, Jayant Kalagnanam, Nandyala Hemachandra,
Narayan Rangaraj
- Abstract要約: ビジネスキーのパフォーマンス指標(Biz-KPI)はITの失敗によって負の影響を受けます。
ビジネスとITの可観測性(BizITObs)データは、Biz-KPIとITイベントチャネルを融合させる。
本稿では,チャネル圧縮プレトレインとファインチューンの新技術に基づいて,時系列基礎モデル(FM)アプローチであるAutoMixerを紹介する。
- 参考スコア(独自算出の注目度): 14.685073283400085
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The efficiency of business processes relies on business key performance
indicators (Biz-KPIs), that can be negatively impacted by IT failures. Business
and IT Observability (BizITObs) data fuses both Biz-KPIs and IT event channels
together as multivariate time series data. Forecasting Biz-KPIs in advance can
enhance efficiency and revenue through proactive corrective measures. However,
BizITObs data generally exhibit both useful and noisy inter-channel
interactions between Biz-KPIs and IT events that need to be effectively
decoupled. This leads to suboptimal forecasting performance when existing
multivariate forecasting models are employed. To address this, we introduce
AutoMixer, a time-series Foundation Model (FM) approach, grounded on the novel
technique of channel-compressed pretrain and finetune workflows. AutoMixer
leverages an AutoEncoder for channel-compressed pretraining and integrates it
with the advanced TSMixer model for multivariate time series forecasting. This
fusion greatly enhances the potency of TSMixer for accurate forecasts and also
generalizes well across several downstream tasks. Through detailed experiments
and dashboard analytics, we show AutoMixer's capability to consistently improve
the Biz-KPI's forecasting accuracy (by 11-15\%) which directly translates to
actionable business insights.
- Abstract(参考訳): ビジネスプロセスの効率性はビジネスキーのパフォーマンス指標(Biz-KPI)に依存します。
ビジネスおよびIT可観測性(BizITObs)データは、Biz-KPIとITイベントチャネルを多変量時系列データとして融合する。
前もってBiz-KPIを予測することは、積極的な補正措置によって効率と収益を高めることができる。
しかし、BizITObsのデータは一般的に、効果的に分離する必要があるBiz-KPIとITイベントの間のチャネル間の有用な相互作用とノイズの両方を示す。
これにより、既存の多変量予測モデルを用いる場合の最適下予測性能が向上する。
そこで我々は,チャネル圧縮プレトレインおよびファインチューンワークフローの新たな技術に基づいて,時系列ファウンデーションモデル(FM)アプローチであるAutoMixerを紹介する。
AutoMixerはチャネル圧縮プレトレーニングにAutoEncoderを活用し、マルチ変数時系列予測のための高度なTSMixerモデルと統合する。
この融合により、正確な予測のためのTSMixerの有効性が大幅に向上し、下流のタスクをうまく一般化する。
詳細な実験とダッシュボード分析を通じて、行動可能なビジネスインサイトに直接変換するBiz-KPIの予測精度(11~15\%)を一貫して改善するAutoMixerの機能を示す。
関連論文リスト
- SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion [59.96233305733875]
時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。
いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。
本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
論文 参考訳(メタデータ) (2024-04-22T14:06:35Z) - Tiny Time Mixers (TTMs): Fast Pre-trained Models for Enhanced Zero/Few-Shot Forecasting of Multivariate Time Series [11.136300104263599]
本稿では,軽量なTSMixerアーキテクチャに基づく,非常に小さなモデルであるTiny Time Mixers(TTM)を紹介する。
TTMは、パブリックTSデータセットにのみトレーニングされた、高速で小さな一般トレーニング済みのモデルを開発する最初の成功である。
これは、少数/ゼロショットの予測において、人気のあるベンチマークよりもかなりの精度(12~38%)向上を示している。
論文 参考訳(メタデータ) (2024-01-08T15:21:21Z) - Mitigating Biases with Diverse Ensembles and Diffusion Models [99.6100669122048]
拡散確率モデル(DPM)を利用したアンサンブル多様化フレームワークを提案する。
DPMは、相関した入力特徴を示すサンプルを用いて訓練しても、新しい特徴の組み合わせで画像を生成することができることを示す。
そこで本研究では,DPM誘導の多様化は,制御信号の追加を必要とせず,一次ショートカットキューへの依存を取り除くのに十分であることを示す。
論文 参考訳(メタデータ) (2023-11-23T15:47:33Z) - QBSD: Quartile-Based Seasonality Decomposition for Cost-Effective Time
Series Forecasting [0.21756081703275998]
我々は,精度と計算複雑性のトレードオフを最適化する,ライブ予測手法であるQBSDを紹介する。
我々は,公開データセットの最先端予測手法に対するQBSDの性能評価を行った。
論文 参考訳(メタデータ) (2023-06-09T15:59:27Z) - MTS-Mixers: Multivariate Time Series Forecasting via Factorized Temporal
and Channel Mixing [18.058617044421293]
本稿では,時系列予測の性能に対する注意機構の寄与と欠陥について検討する。
MTS-Mixersを提案する。これは2つの分解されたモジュールを用いて時間的およびチャネル的依存関係をキャプチャする。
いくつかの実世界のデータセットによる実験結果から、MTS-Mixersは既存のTransformerベースのモデルよりも高い効率で性能を発揮することが示された。
論文 参考訳(メタデータ) (2023-02-09T08:52:49Z) - 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) - 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) - TimeAutoML: Autonomous Representation Learning for Multivariate
Irregularly Sampled Time Series [27.0506649441212]
本稿では,不規則なサンプリングレートと可変長を持つ多変量時系列(TimeAutoML)の自律表現学習手法を提案する。
実世界のデータセットに関する大規模な実証研究は、提案されたTimeAutoMLが、様々なタスクにおける競合するアプローチを大きなマージンで上回ることを示した。
論文 参考訳(メタデータ) (2020-10-04T15:01:46Z) - Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。
我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。
本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
論文 参考訳(メタデータ) (2020-07-10T16:00:44Z) - Superiority of Simplicity: A Lightweight Model for Network Device
Workload Prediction [58.98112070128482]
本稿では,歴史観測に基づく時系列予測のための軽量な解を提案する。
ニューラルネットワークと平均予測器という2つのモデルからなる異種アンサンブル法で構成されている。
利用可能なFedCSIS 2020チャレンジデータセットの総合的なR2$スコア0.10を達成している。
論文 参考訳(メタデータ) (2020-07-07T15:44:16Z)
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。