論文の概要: Attractor Memory for Long-Term Time Series Forecasting: A Chaos
Perspective
- arxiv url: http://arxiv.org/abs/2402.11463v1
- Date: Sun, 18 Feb 2024 05:35:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-20 20:57:40.060501
- Title: Attractor Memory for Long-Term Time Series Forecasting: A Chaos
Perspective
- Title(参考訳): 長期時系列予測のためのアトラクタメモリ:カオスの視点から
- Authors: Jiaxi Hu, Yuehong Hu, Wei Chen, Ming Jin, Shirui Pan, Qingsong Wen,
Yuxuan Liang
- Abstract要約: 本稿では,カオス理論を長期時系列予測(LTSF)タスクに導入する。
我々のモデルである textbftextitAttraos はカオス理論をLTSFに組み込み、未知の高次元カオス力学系からの観測として実世界の時系列を知覚する。
歴史的力学構造を記憶し、周波数を拡大した局所進化戦略によって予測する。
- 参考スコア(独自算出の注目度): 66.79255404792849
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In long-term time series forecasting (LTSF) tasks, existing deep learning
models overlook the crucial characteristic that discrete time series originate
from underlying continuous dynamic systems, resulting in a lack of
extrapolation and evolution capabilities. Recognizing the chaotic nature of
real-world data, our model, \textbf{\textit{Attraos}}, incorporates chaos
theory into LTSF, perceiving real-world time series as observations from
unknown high-dimensional chaotic dynamic systems. Under the concept of
attractor invariance, Attraos utilizes the proposed multi-scale dynamic memory
unit to memorize historical dynamics structure and predicts by a
frequency-enhanced local evolution strategy. Detailed theoretical analysis and
abundant empirical evidence consistently show that Attraos outperforms various
LTSF methods on mainstream LTSF datasets and chaotic datasets.
- Abstract(参考訳): 長期時系列予測(LTSF)タスクでは、既存のディープラーニングモデルは、離散時系列が基礎となる連続力学系から生じる決定的な特性を見落とし、外挿と進化能力の欠如をもたらす。
実世界のデータのカオス性を認識するモデルである \textbf{\textit{attraos}} は、カオス理論をltsfに取り入れ、未知の高次元カオス力学系からの観測として実世界の時系列を知覚する。
誘引的不変性の概念の下で、Attraosは提案したマルチスケール動的メモリユニットを使用して、歴史的動的構造を記憶し、周波数強調ローカル進化戦略によって予測する。
詳細な理論的分析と豊富な経験的証拠は、アトラオスが主流のLTSFデータセットやカオスデータセット上で様々なLTSFメソッドより優れていることを一貫して示している。
関連論文リスト
- 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) - The Bigger the Better? Rethinking the Effective Model Scale in Long-term
Time Series Forecasting [57.00348861248051]
時系列予測は時系列分析において重要なフロンティアである。
階層的な分解で拡張された軽量トランスフォーマーであるHDformerを紹介する。
HDformerは既存のLTSFモデルよりも優れており、パラメータは99%以上少ない。
論文 参考訳(メタデータ) (2024-01-22T13:15:40Z) - 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) - Autoregressive with Slack Time Series Model for Forecasting a
Partially-Observed Dynamical Time Series [3.0232957374216953]
本稿では、進化関数を同時に推定し、欠落変数をスラック時系列として暗示する自己回帰型とスラック時系列(ARS)モデルを提案する。
理論的な見地から、2次元の時間不変系と線形系は、系の1つの部分的に観察された次元からの観測を利用して再構成可能であることを証明した。
論文 参考訳(メタデータ) (2023-06-28T23:07:43Z) - Neural Continuous-Discrete State Space Models for Irregularly-Sampled
Time Series [18.885471782270375]
NCDSSMは補助変数を用いて力学からの認識をアンタングルし、補助変数のみに償却推論を必要とする。
本稿では、潜在力学の3つのフレキシブルパラメータ化と、推論中の動的状態の辺りを生かした効率的な学習目標を提案する。
複数のベンチマークデータセットの実証結果は、既存のモデルよりもNCDSSMの計算性能と予測性能が改善されたことを示している。
論文 参考訳(メタデータ) (2023-01-26T18:45:04Z) - Enhancing the Robustness via Adversarial Learning and Joint
Spatial-Temporal Embeddings in Traffic Forecasting [11.680589359294972]
本稿では,ダイナミックスとロバストネスのバランスをとることの課題に対処するため,TrendGCNを提案する。
我々のモデルは、空間的(ノード的に)埋め込みと時間的(時間的に)埋め込みを同時に組み込んで、不均一な空間的・時間的畳み込みを考慮に入れている。
ステップワイドな予測エラーを独立して扱う従来のアプローチと比較して、我々のアプローチはより現実的で堅牢な予測を生み出すことができる。
論文 参考訳(メタデータ) (2022-08-05T09:36:55Z) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳(メタデータ) (2022-02-17T02:17:31Z) - 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) - Chaos as an interpretable benchmark for forecasting and data-driven
modelling [7.6146285961466]
カオスシステムは、現代の統計的学習技術に固有の課題を生んでいる。
本稿では,天体物理学,気候学,生化学などの分野にまたがるカオス力学系131のデータベースについて述べる。
論文 参考訳(メタデータ) (2021-10-11T13:39:41Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z)
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。