論文の概要: FCDNet: Frequency-Guided Complementary Dependency Modeling for
Multivariate Time-Series Forecasting
- arxiv url: http://arxiv.org/abs/2312.16450v1
- Date: Wed, 27 Dec 2023 07:29:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-29 19:26:39.442744
- Title: FCDNet: Frequency-Guided Complementary Dependency Modeling for
Multivariate Time-Series Forecasting
- Title（参考訳）: fcdnet:多変量時系列予測のための周波数誘導相補依存モデリング
- Authors: Weijun Chen, Heyuan Wang, Ye Tian, Shijie Guan, Ning Liu
- Abstract要約: 時系列予測のための簡潔で効果的なフレームワークであるFCDNetを提案する。
多レベル周波数パターンから長期的および短期的依存情報を適応的に抽出する。
実験の結果、FCDNetは強いベースラインをはるかに超えることがわかった。
- 参考スコア（独自算出の注目度）: 9.083469629116784
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multivariate time-series (MTS) forecasting is a challenging task in many
real-world non-stationary dynamic scenarios. In addition to intra-series
temporal signals, the inter-series dependency also plays a crucial role in
shaping future trends. How to enable the model's awareness of dependency
information has raised substantial research attention. Previous approaches have
either presupposed dependency constraints based on domain knowledge or imposed
them using real-time feature similarity. However, MTS data often exhibit both
enduring long-term static relationships and transient short-term interactions,
which mutually influence their evolving states. It is necessary to recognize
and incorporate the complementary dependencies for more accurate MTS
prediction. The frequency information in time series reflects the evolutionary
rules behind complex temporal dynamics, and different frequency components can
be used to well construct long-term and short-term interactive dependency
structures between variables. To this end, we propose FCDNet, a concise yet
effective framework for multivariate time-series forecasting. Specifically,
FCDNet overcomes the above limitations by applying two light-weight dependency
constructors to help extract long- and short-term dependency information
adaptively from multi-level frequency patterns. With the growth of input
variables, the number of trainable parameters in FCDNet only increases
linearly, which is conducive to the model's scalability and avoids
over-fitting. Additionally, adopting a frequency-based perspective can
effectively mitigate the influence of noise within MTS data, which helps
capture more genuine dependencies. The experimental results on six real-world
datasets from multiple fields show that FCDNet significantly exceeds strong
baselines, with an average improvement of 6.82% on MAE, 4.98% on RMSE, and
4.91% on MAPE.
- Abstract（参考訳）: 多変量時系列予測(MTS)は多くの実世界の非定常動的シナリオにおいて難しい課題である。
時系列内信号に加えて、系列間依存性は将来のトレンドを形成する上でも重要な役割を果たしている。
モデルが依存情報を認識できるようにする方法は、かなりの研究の注目を集めている。
以前のアプローチでは、ドメイン知識に基づく依存性の制約を前提とするか、リアルタイムの機能類似性を使ってそれらを強制していた。
しかし、MSSデータは長期の静的な関係と一時的な短期的な相互作用の両方を示し、両者の進化状態に相互に影響を及ぼす。
より正確なMSS予測のために、補完的な依存関係を認識し、組み込む必要がある。
時系列の周波数情報は複雑な時間力学の背後にある進化的規則を反映しており、異なる周波数成分は変数間の長期および短期の相互依存構造をうまく構築するのに使うことができる。
そこで本研究では,多変量時系列予測のための簡潔かつ効果的なフレームワークであるFCDNetを提案する。
具体的には、FCDNetは2つの軽量依存コンストラクタを適用し、多レベル周波数パターンから長期および短期依存情報を適応的に抽出する。
入力変数の増加に伴い、FCDNetのトレーニング可能なパラメータの数は線形的に増加し、モデルのスケーラビリティに寄与し、過度な適合を避けることができる。
さらに、周波数ベースの視点を採用することで、mtsデータ内のノイズの影響を効果的に軽減することができる。
複数のフィールドから得られた6つの実世界のデータセット実験の結果、FCDNetは強いベースラインをはるかに上回り、MAEは6.82%、RMSEは4.98%、MAPEは4.91%改善した。
関連論文リスト
- MFF-FTNet: Multi-scale Feature Fusion across Frequency and Temporal Domains for Time Series Forecasting [18.815152183468673]
時系列予測は多くの分野において重要であるが、現在のディープラーニングモデルはノイズやデータの分散、複雑なパターンのキャプチャに苦労している。
本稿では,コントラスト学習とマルチスケール特徴抽出を組み合わせることで,これらの課題に対処する新しいフレームワークであるMFF-FTNetを提案する。
5つの実世界のデータセットに対する大規模な実験は、MFF-FTNetが最先端のモデルを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2024-11-26T12:41:42Z) - TiVaT: Joint-Axis Attention for Time Series Forecasting with Lead-Lag Dynamics [5.016178141636157]
TiVaT(Time-Variable Transformer)は、時間と変数の依存関係を統合する新しいアーキテクチャである。
TiVaTは、さまざまなデータセットに対して、一貫して強力なパフォーマンスを提供する。
これによってTiVaTは、特に複雑で困難な依存関係を特徴とするデータセットの処理において、MTS予測の新しいベンチマークとして位置づけられる。
論文 参考訳（メタデータ） (2024-10-02T13:24:24Z) - 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) - FAITH: Frequency-domain Attention In Two Horizons for Time Series Forecasting [13.253624747448935]
時系列予測は、産業機器の保守、気象学、エネルギー消費、交通流、金融投資など、様々な分野で重要な役割を果たしている。
現在のディープラーニングベースの予測モデルは、予測結果と基礎的真実の間に大きな違いを示すことが多い。
本稿では、時系列をトレンドと季節成分に分解する2つのホライズンズにおける周波数領域注意モデルを提案する。
論文 参考訳（メタデータ） (2024-05-22T02:37:02Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳（メタデータ） (2023-12-04T07:39:05Z) - Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。
グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。
グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
論文 参考訳（メタデータ） (2023-09-11T08:44:07Z) - Multi-scale Transformer Pyramid Networks for Multivariate Time Series
Forecasting [8.739572744117634]
短時間の時間依存性をキャプチャする次元不変な埋め込み手法を導入する。
本稿では,マルチスケールトランスフォーマーピラミッドネットワーク(MTPNet)を提案する。
論文 参考訳（メタデータ） (2023-08-23T06:40:05Z) - 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) - 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) - 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) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳（メタデータ） (2020-02-21T13:48:13Z)
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。