論文の概要: RPMixer: Shaking Up Time Series Forecasting with Random Projections for Large Spatial-Temporal Data

• arxiv url: http://arxiv.org/abs/2402.10487v4
• Date: Wed, 12 Jun 2024 08:49:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-13 11:28:49.059663
• Title: RPMixer: Shaking Up Time Series Forecasting with Random Projections for Large Spatial-Temporal Data
• Title（参考訳）: RPMixer: 大規模空間時間データのためのランダム投影による時系列予測
• Authors: Chin-Chia Michael Yeh, Yujie Fan, Xin Dai, Uday Singh Saini, Vivian Lai, Prince Osei Aboagye, Junpeng Wang, Huiyuan Chen, Yan Zheng, Zhongfang Zhuang, Liang Wang, Wei Zhang,
• Abstract要約: RPMixer と呼ばれる全MLP時系列予測アーキテクチャを提案する。 提案手法は,各ブロックがアンサンブルモデルにおいてベース学習者のように振る舞う深層ニューラルネットワークのアンサンブル的挙動に乗じる。
• 参考スコア（独自算出の注目度）: 33.0546525587517
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatial-temporal forecasting systems play a crucial role in addressing numerous real-world challenges. In this paper, we investigate the potential of addressing spatial-temporal forecasting problems using general time series forecasting models, i.e., models that do not leverage the spatial relationships among the nodes. We propose a all-Multi-Layer Perceptron (all-MLP) time series forecasting architecture called RPMixer. The all-MLP architecture was chosen due to its recent success in time series forecasting benchmarks. Furthermore, our method capitalizes on the ensemble-like behavior of deep neural networks, where each individual block within the network behaves like a base learner in an ensemble model, particularly when identity mapping residual connections are incorporated. By integrating random projection layers into our model, we increase the diversity among the blocks' outputs, thereby improving the overall performance of the network. Extensive experiments conducted on the largest spatial-temporal forecasting benchmark datasets demonstrate that the proposed method outperforms alternative methods, including both spatial-temporal graph models and general forecasting models.
• Abstract（参考訳）: 時空間予測システムは、多くの現実世界の課題に対処する上で重要な役割を果たす。 本稿では,一般時系列予測モデル,すなわちノード間の空間的関係を活用できないモデルを用いて,時空間予測問題に対処する可能性を検討する。 RPMixer と呼ばれる全MLP時系列予測アーキテクチャを提案する。 オールMLPアーキテクチャは、最近の時系列予測ベンチマークの成功により選ばれた。 さらに,ネットワーク内の各ブロックがアンサンブルモデルにおいてベース学習者のように振る舞う深層ニューラルネットワークのアンサンブル的挙動,特にアイデンティティマッピング残差接続が組み込まれている場合に着目した。 ランダムなプロジェクション層をモデルに統合することにより、ブロックの出力の多様性を高め、ネットワーク全体の性能を向上させる。 空間時空間グラフモデルと一般予測モデルの両方を含む,提案手法が代替手法より優れていることを示す。

関連論文リスト

• SAGDFN: A Scalable Adaptive Graph Diffusion Forecasting Network for Multivariate Time Series Forecasting [19.111041921060366]
  本稿では、複雑な空間的時間的相関を捉えるために、スケーラブルな適応グラフ拡散予測ネットワーク(SAGDFN)を提案する。 SAGDFNは、空間相関に関する事前の知識を必要とせず、数千のノードのデータセットにスケーラブルである。 207ノードの1つの実世界のデータセットで、最先端のベースラインと同等のパフォーマンスを達成し、2000ノードの3つの実世界のデータセットで、最先端のベースラインをかなり上回っている。
  論文  参考訳（メタデータ） (2024-06-18T05:19:51Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Context Neural Networks: A Scalable Multivariate Model for Time Series Forecasting [5.5711773076846365]
  実世界の時系列は、しばしば孤立して取得できない複雑な相互依存性を示す。 本稿では,時系列モデルに関連性のある文脈洞察を付加する,効率的な線形複雑化手法であるContext Neural Networkを紹介する。
  論文  参考訳（メタデータ） (2024-05-12T00:21:57Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• Temporal-Spatial dependencies ENhanced deep learning model (TSEN) for household leverage series forecasting [12.727583657383073]
  財務時系列予測のための正確な予測モデルのための時間的・空間的パターンの解析は困難である。 深層学習の応用に触発されて,中国における家庭のレバレッジ予測の課題を解決するための新しいモデルを提案する。 その結果,新たなアプローチは家庭の時間空間的ダイナミクスをうまく捉え,より正確で確実な予測結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-10-17T00:10:25Z)
• Time Series Forecasting with Ensembled Stochastic Differential Equations Driven by L\'evy Noise [2.3076895420652965]
  我々は、ニューラルネットワークを備えたSDEの集合を用いて、ノイズのある時系列の長期的な傾向を予測する。 まず、位相空間再構成法を用いて時系列データの固有次元を抽出する。 次に、$alpha$-stable L'evyの動作によって駆動されるSDEを探索し、時系列データをモデル化し、ニューラルネットワーク近似を用いて問題を解く。
  論文  参考訳（メタデータ） (2021-11-25T16:49:01Z)
• Meta-Forecasting by combining Global DeepRepresentations with Local Adaptation [12.747008878068314]
  メタグローバルローカル自動回帰(Meta-GLAR)と呼ばれる新しい予測手法を導入する。 それは、リカレントニューラルネットワーク(RNN)によって生成された表現からワンステップアヘッド予測へのマッピングをクローズドフォームで学習することで、各時系列に適応する。 本手法は,先行研究で報告されたサンプル外予測精度において,最先端の手法と競合する。
  論文  参考訳（メタデータ） (2021-11-05T11:45:02Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)

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。