論文の概要: Leveraging Non-Decimated Wavelet Packet Features and Transformer Models
for Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2403.08630v1
- Date: Wed, 13 Mar 2024 15:45:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 13:38:20.483806
- Title: Leveraging Non-Decimated Wavelet Packet Features and Transformer Models
for Time Series Forecasting
- Title（参考訳）: 非決定型ウェーブレットパケットの特徴と変圧器モデル
時系列予測
- Authors: Guy P Nason and James L. Wei
- Abstract要約: 非時間的および時間的予測手法の入力特徴として,異なる数の消滅モーメントを持つDaubechieウェーブレットを用いる。
我々は,これらのウェーブレットの特徴を,従来の研究よりもはるかに広い予測手法を用いて評価した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This article combines wavelet analysis techniques with machine learning
methods for univariate time series forecasting, focusing on three main
contributions. Firstly, we consider the use of Daubechies wavelets with
different numbers of vanishing moments as input features to both non-temporal
and temporal forecasting methods, by selecting these numbers during the
cross-validation phase. Secondly, we compare the use of both the non-decimated
wavelet transform and the non-decimated wavelet packet transform for computing
these features, the latter providing a much larger set of potentially useful
coefficient vectors. The wavelet coefficients are computed using a shifted
version of the typical pyramidal algorithm to ensure no leakage of future
information into these inputs. Thirdly, we evaluate the use of these wavelet
features on a significantly wider set of forecasting methods than previous
studies, including both temporal and non-temporal models, and both statistical
and deep learning-based methods. The latter include state-of-the-art
transformer-based neural network architectures. Our experiments suggest
significant benefit in replacing higher-order lagged features with wavelet
features across all examined non-temporal methods for one-step-forward
forecasting, and modest benefit when used as inputs for temporal deep
learning-based models for long-horizon forecasting.
- Abstract（参考訳）: 本稿では,ウェーブレット解析手法と一変量時系列予測のための機械学習手法を組み合わせる。
まず,異なる数の消滅モーメントを持つDaubechieウェーブレットを,非時間的および時間的予測手法の両方の入力特徴として,クロスバリデーションフェーズにおいてこれらの数値を選択することにより検討する。
第二に、これらの特徴を計算するための非決定ウェーブレット変換と非決定ウェーブレットパケット変換の両方の使用を比較し、後者は潜在的に有用な係数ベクトルのより大きいセットを提供する。
ウェーブレット係数は、典型的なピラミッドアルゴリズムのシフトバージョンを用いて計算され、これらの入力に将来の情報が漏れないようにする。
第3に、これらのウェーブレットの特徴を、時間的・非時間的モデルと統計的・深層学習に基づく手法を含む、従来の研究よりもはるかに広範な予測手法を用いて評価する。
後者には最先端のトランスフォーマーベースのニューラルネットワークアーキテクチャが含まれる。
実験の結果,1ステップフォワード予測における時間的非時間的手法のすべてにまたがって,高次ラグ特徴をウェーブレット特徴に置き換えることの利点が示唆された。
関連論文リスト
- Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
我々は時系列の統一予測のための生成変換器Timer-XLを提案する。
Timer-XLは、統一されたアプローチにより、挑戦的な予測ベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-10-07T07:27:39Z) - Wave-Mask/Mix: Exploring Wavelet-Based Augmentations for Time Series Forecasting [0.0]
本研究では、離散ウェーブレット変換(DWT)を用いて、時系列データの時間依存性を保ちながら周波数要素を調整する2つの拡張手法を提案する。
我々の知る限り、DWTを用いた多変量時系列に関する広範な実験を行った最初の研究である。
論文 参考訳（メタデータ） (2024-08-20T15:42:10Z) - WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
深部画像登録は異常な精度と高速な推測を示した。
近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。
本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
論文 参考訳（メタデータ） (2024-07-18T11:51:01Z) - Stecformer: Spatio-temporal Encoding Cascaded Transformer for
Multivariate Long-term Time Series Forecasting [11.021398675773055]
本稿では,特徴抽出とターゲット予測の観点から,問題の完全な解決法を提案する。
抽出のために,半適応グラフを含む効率的な時間的符号化抽出器を設計し,十分な時間的情報を取得する。
予測のために、異なる間隔間の相関を強化するためにカスケードデ予測器(CDP)を提案する。
論文 参考訳（メタデータ） (2023-05-25T13:00:46Z) - 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) - 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) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳（メタデータ） (2022-11-26T01:56:05Z) - Conformal Prediction Bands for Two-Dimensional Functional Time Series [0.0]
時間発展曲面は2次元関数時系列としてモデル化することができ、関数データ解析のツールを利用することができる。
主な焦点は、予測問題の不確実性を定量化するために使用される多目的な非パラメトリックパラダイムであるコンフォーマル予測(英語版)を中心に展開される。
2次元関数時系列の確率的予測スキームを提示し、次数1の自己回帰過程をこの設定に拡張する。
論文 参考訳（メタデータ） (2022-07-27T17:23:14Z) - A Differential Attention Fusion Model Based on Transformer for Time
Series Forecasting [4.666618110838523]
時系列予測は、機器ライフサイクル予測、天気予報、交通流予測などの分野で広く利用されている。
一部の学者は、この強力な並列トレーニング能力のために、Transformerを時系列予測に適用しようと試みている。
既存のTransformerメソッドは、予測において決定的な役割を果たす小さな時間セグメントに十分な注意を払わない。
論文 参考訳（メタデータ） (2022-02-23T10:33:12Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳（メタデータ） (2022-02-07T21:37:29Z) - Benchmarking Deep Learning Interpretability in Time Series Predictions [41.13847656750174]
モデル予測における入力特徴の重要性を強調するために、サリエンシ法が広く用いられている。
そこで我々は,多様なニューラルアーキテクチャにまたがって,サリエンシに基づく様々な解釈可能性手法の性能を広範囲に比較した。
論文 参考訳（メタデータ） (2020-10-26T22:07:53Z)
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。