論文の概要: SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion

• arxiv url: http://arxiv.org/abs/2404.14197v2
• Date: Wed, 12 Jun 2024 09:01:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-13 22:24:31.758279
• Title: SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion
• Title（参考訳）: SOFTS: 直列核融合による高効率多変量時系列予測
• Authors: Lu Han, Xu-Yang Chen, Han-Jia Ye, De-Chuan Zhan,
• Abstract要約: 時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。 いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。 本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
• 参考スコア（独自算出の注目度）: 59.96233305733875
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate time series forecasting plays a crucial role in various fields such as finance, traffic management, energy, and healthcare. Recent studies have highlighted the advantages of channel independence to resist distribution drift but neglect channel correlations, limiting further enhancements. Several methods utilize mechanisms like attention or mixer to address this by capturing channel correlations, but they either introduce excessive complexity or rely too heavily on the correlation to achieve satisfactory results under distribution drifts, particularly with a large number of channels. Addressing this gap, this paper presents an efficient MLP-based model, the Series-cOre Fused Time Series forecaster (SOFTS), which incorporates a novel STar Aggregate-Redistribute (STAR) module. Unlike traditional approaches that manage channel interactions through distributed structures, \textit{e.g.}, attention, STAR employs a centralized strategy to improve efficiency and reduce reliance on the quality of each channel. It aggregates all series to form a global core representation, which is then dispatched and fused with individual series representations to facilitate channel interactions effectively.SOFTS achieves superior performance over existing state-of-the-art methods with only linear complexity. The broad applicability of the STAR module across different forecasting models is also demonstrated empirically. For further research and development, we have made our code publicly available at https://github.com/Secilia-Cxy/SOFTS.
• Abstract（参考訳）: 多変量時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。 近年の研究では、チャネル独立の利点は分布のドリフトに抵抗するが、チャネル相関を無視し、さらなる拡張を制限している。 いくつかの手法では、注意やミキサーのようなメカニズムを利用してチャネルの相関を捉えるが、過度に複雑化するか、あるいは分布のドリフトにおいて、特に多数のチャネルで、十分な結果を得るために相関に強く依存する。 このギャップに対処するために,新しいSTARモジュールを組み込んだ,効率的なMLPモデルであるシリーズcOre Fused Time Series forecaster (SOFTS)を提案する。 分散構造を通したチャネルインタラクションを管理する従来のアプローチとは異なり、STARは効率を改善し、各チャネルの品質への依存を減らすために集中型の戦略を採用している。 全シリーズを集約してグローバルなコア表現を形成し、個別のシリーズ表現と融合してチャネル間相互作用を効果的に促進し、SOFTSは線形複雑性のみを持つ既存の最先端手法よりも優れた性能を達成する。 様々な予測モデルにまたがるSTARモジュールの適用性も実証的に実証されている。 さらなる研究と開発のために、私たちはhttps://github.com/Secilia-Cxy/SOFTS.comでコードを公開しました。

関連論文リスト

• Channel-Aware Low-Rank Adaptation in Time Series Forecasting [43.684035409535696]
  2つの代表的なチャネル戦略は、モデル表現性とロバスト性に密接に関連している。 本稿では,チャネル対応の低ランク適応手法を,アイデンティティ対応の個別コンポーネント上での条件付きCDモデルに適用する。
  論文  参考訳（メタデータ） (2024-07-24T13:05:17Z)
• C-Mamba: Channel Correlation Enhanced State Space Models for Multivariate Time Series Forecasting [18.50360049235537]
  我々は,グローバルな受容場を失うことなく,線形な複雑性を維持しつつ,チャネル間の依存関係を捕捉する新しいアプローチである textbfC-Mamba を提案する。 本モデルは、7つの実世界の時系列データセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-06-08T01:32:44Z)
• From Similarity to Superiority: Channel Clustering for Time Series Forecasting [61.96777031937871]
  CCM(Channel Clustering Module)を開発した。 CCMは、固有の類似性によって特徴付けられるチャネルを動的にグループ化し、チャネルアイデンティティの代わりにクラスタアイデンティティを利用する。 CCMは、CIモデルとCDモデルのパフォーマンスを、それぞれ長期および短期の予測において平均利率2.4%と7.2%で向上させることができる。
  論文  参考訳（メタデータ） (2024-03-31T02:46:27Z)
• MCformer: Multivariate Time Series Forecasting with Mixed-Channels Transformer [8.329947472853029]
  Channel Independence(CI)戦略は、すべてのチャネルを単一のチャネルとして扱い、データセットを拡張する。 Mixed Channels戦略は、CI戦略のデータ拡張アドバンテージと、チャネル間の相関を忘れないように対処する機能を組み合わせたものだ。 モデルは特定の数のチャネルをブレンドし、チャネル間の相関情報を効果的に取得するための注意機構を活用する。
  論文  参考訳（メタデータ） (2024-03-14T09:43:07Z)
• Enhancing Multivariate Time Series Forecasting with Mutual Information-driven Cross-Variable and Temporal Modeling [24.041263835195423]
  チャネル混合手法のためのCDAM(Cross-var-Decorrelation Aware Feature Modeling)を提案する。 また,従来の一段階予測手法を超越した時間的相関を利用するための時間的相関認識モデリング(TAM)も導入した。 我々の新しいフレームワークは、包括的テストにおいて、これまで最先端と見なされていたものを含め、既存のモデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-03-01T04:42:47Z)
• Dance of Channel and Sequence: An Efficient Attention-Based Approach for Multivariate Time Series Forecasting [3.372816393214188]
  CSformerは、2段階の自己保持機構を巧みに設計した革新的なフレームワークである。 シーケンスアダプタとチャネルアダプタを導入し、モデルが様々な次元にわたって有能な特徴を識別できるようにする。
  論文  参考訳（メタデータ） (2023-12-11T09:10:38Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• The Capacity and Robustness Trade-off: Revisiting the Channel Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
  本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。 以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。 本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:15:33Z)
• Channelized Axial Attention for Semantic Segmentation [70.14921019774793]
  チャネルアキシャルアテンション(CAA)を提案し、チャネルアテンションと軸アテンションをシームレスに統合し、計算複雑性を低減します。 私たちのCAAは、DANetのような他の注意モデルに比べて計算リソースをはるかに少なくするだけでなく、すべての検証済みデータセット上で最先端のResNet-101ベースのセグメンテーションモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-01-19T03:08:03Z)
• Deep Multimodal Fusion by Channel Exchanging [87.40768169300898]
  本稿では,異なるモードのサブネットワーク間で動的にチャネルを交換するパラメータフリーマルチモーダル融合フレームワークを提案する。 このような交換プロセスの有効性は、畳み込みフィルタを共有してもBN層をモダリティで分離しておくことで保証される。
  論文  参考訳（メタデータ） (2020-11-10T09:53:20Z)

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。