論文の概要: WinNet:time series forecasting with a window-enhanced period extracting
and interacting
- arxiv url: http://arxiv.org/abs/2311.00214v1
- Date: Wed, 1 Nov 2023 01:23:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-02 15:22:39.111100
- Title: WinNet:time series forecasting with a window-enhanced period extracting
and interacting
- Title(参考訳): winnet:ウィンドウエンハンス周期抽出と対話による時系列予測
- Authors: Wenjie Ou, Dongyue Guo, Zheng Zhang, Zhishuo Zhao, Yi Lin
- Abstract要約: トランスフォーマーに基づく手法は、最先端の時系列予測結果を著しく改善した。
我々は,WinNetと呼ばれる長期連続予測タスクに対して,高精度かつ簡易に構成されたCNNモデルを提案する。
- 参考スコア(独自算出の注目度): 12.051042971936221
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, Transformer-based methods have significantly improved
state-of-the-art time series forecasting results, but they suffer from high
computational costs and the inability to capture the long and short periodicity
of time series. We present a highly accurate and simply structured CNN-based
model for long-term time series forecasting tasks, called WinNet, including (i)
Inter-Intra Period Encoder (I2PE) to transform 1D sequence into 2D tensor with
long and short periodicity according to the predefined periodic window, (ii)
Two-Dimensional Period Decomposition (TDPD) to model period-trend and
oscillation terms, and (iii) Decomposition Correlation Block (DCB) to leverage
the correlations of the period-trend and oscillation terms to support the
prediction tasks by CNNs. Results on nine benchmark datasets show that the
WinNet can achieve SOTA performance and lower computational complexity over
CNN-, MLP-, Transformer-based approaches. The WinNet provides potential for the
CNN-based methods in the time series forecasting tasks, with perfect tradeoff
between performance and efficiency.
- Abstract(参考訳): 近年, 変圧器を用いた予測手法は, 最先端の時系列予測結果を大幅に改善しているが, 計算コストが高く, 時系列の長周期性や短周期性を捉えることができない。
我々はWinNetと呼ばれる長期連続予測タスクのための高精度で単純なCNNベースのモデルを提案する。
(i)イントラ周期エンコーダ(I2PE)は、予め定義された周期窓に従って、長さと短周期の2次元テンソルに変換する。
(ii)2次元周期分解(tdpd)から周期項及び振動項のモデル化、及び
3) CNNによる予測タスクを支援するために, 周期列と振動項の相関を利用した分解相関ブロック(DCB)。
9つのベンチマークデータセットの結果から、WinNetは、CNN-, MLP-, Transformer-basedアプローチよりもSOTA性能と計算複雑性が低いことが示されている。
WinNetは、時系列予測タスクにおけるCNNベースのメソッドの可能性を提供し、パフォーマンスと効率の完全なトレードオフを提供する。
関連論文リスト
- FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure
Graph Perspective [48.00240550685946]
現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。
提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。
7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
論文 参考訳(メタデータ) (2023-11-10T17:13:26Z) - 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) - OFTER: An Online Pipeline for Time Series Forecasting [3.9962751777898955]
OFTERは、中規模の多変量時系列に適した時系列予測パイプラインである。
オンラインタスク用に特別に設計されており、解釈可能な出力を持ち、いくつかの最先端のアートベースラインを上回ります。
アルゴリズムの計算効率、オンラインの性質、低信号対雑音方式での運用能力により、OFTERは金融時系列問題に理想的なアプローチとなる。
論文 参考訳(メタデータ) (2023-04-08T00:18:03Z) - 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) - Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。
時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。
我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。
提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
論文 参考訳(メタデータ) (2022-10-02T06:58:49Z) - Parallel Spatio-Temporal Attention-Based TCN for Multivariate Time
Series Prediction [4.211344046281808]
予測ウィンドウの拡張を支援するために注意を払っているリカレントニューラルネットワークは、このタスクの最先端技術である。
それらの消失する勾配、短い記憶、シリアルアーキテクチャは、複雑なデータによる長距離予測にRNNを根本的に不適当にしている、と我々は主張する。
そこで我々は,PSTA-TCNというフレームワークを提案する。これは並列時間的注意機構を組み合わして,動的内部相関を積み重ねたTCNバックボーンから抽出する。
論文 参考訳(メタデータ) (2022-03-02T09:27:56Z) - Informer: Beyond Efficient Transformer for Long Sequence Time-Series
Forecasting [25.417560221400347]
長周期時系列予測(LSTF)は高い予測能力を必要とする。
最近の研究は、予測能力を高めるトランスフォーマーの可能性を示しています。
我々は3つの特徴を有するlstf用効率的なトランスフォーマーモデル,informerを設計した。
論文 参考訳(メタデータ) (2020-12-14T11:43:09Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳(メタデータ) (2020-06-08T09:53:35Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2020-02-21T05:00:01Z) - A Deep Structural Model for Analyzing Correlated Multivariate Time
Series [11.009809732645888]
相関した多変量時系列入力を処理できる深層学習構造時系列モデルを提案する。
モデルは、トレンド、季節性、イベントコンポーネントを明示的に学習し、抽出する。
我々は,様々な時系列データセットに関する総合的な実験を通して,そのモデルと最先端のいくつかの手法を比較した。
論文 参考訳(メタデータ) (2020-01-02T18:48:29Z)
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。