論文の概要: Context Neural Networks: A Scalable Multivariate Model for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2405.07117v1
• Date: Sun, 12 May 2024 00:21:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-14 18:18:14.083932
• Title: Context Neural Networks: A Scalable Multivariate Model for Time Series Forecasting
• Title（参考訳）: コンテキストニューラルネットワーク:時系列予測のためのスケーラブルな多変量モデル
• Authors: Abishek Sriramulu, Christoph Bergmeir, Slawek Smyl,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.5711773076846365
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world time series often exhibit complex interdependencies that cannot be captured in isolation. Global models that model past data from multiple related time series globally while producing series-specific forecasts locally are now common. However, their forecasts for each individual series remain isolated, failing to account for the current state of its neighbouring series. Multivariate models like multivariate attention and graph neural networks can explicitly incorporate inter-series information, thus addressing the shortcomings of global models. However, these techniques exhibit quadratic complexity per timestep, limiting scalability. This paper introduces the Context Neural Network, an efficient linear complexity approach for augmenting time series models with relevant contextual insights from neighbouring time series without significant computational overhead. The proposed method enriches predictive models by providing the target series with real-time information from its neighbours, addressing the limitations of global models, yet remaining computationally tractable for large datasets.
• Abstract（参考訳）: 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。 時系列をローカルに生成しながら、複数の時系列から過去のデータを世界規模でモデル化するグローバルモデルは、今や一般的である。 しかし、各シリーズの予測は依然として孤立しており、近隣シリーズの現在の状況を説明できない。 多変量アテンションやグラフニューラルネットワークのような多変量モデルは、シリーズ間情報を明示的に組み込むことができ、グローバルモデルの欠点に対処することができる。 しかし、これらの手法は時間の経過ごとに2次的な複雑さを示し、スケーラビリティを制限している。 本稿では,計算オーバーヘッドを伴わずに,近隣の時系列から関連する文脈的洞察を持つ時系列モデルを拡張するための,効率的な線形複雑化手法であるContext Neural Networkを紹介する。 提案手法は,大域的モデルの制約に対処しながら,大規模データセットに対して計算的に抽出可能でありながら,近隣からのリアルタイム情報をターゲットシリーズに提供することにより,予測モデルを強化する。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Adaptive Convolutional Forecasting Network Based on Time Series Feature-Driven [9.133955922897371]
  実世界のシナリオにおける時系列データは、かなりの量の非線形情報を含んでいる。 マルチレゾリューション畳み込み演算と変形可能な畳み込み演算を導入する。 本稿では,局所的およびグローバルな時間的依存関係を効果的にモデル化する適応型畳み込みネットワークACNetを提案する。
  論文  参考訳（メタデータ） (2024-05-20T14:05:35Z)
• GinAR: An End-To-End Multivariate Time Series Forecasting Model Suitable for Variable Missing [21.980379175333443]
  本稿では,グラフ補間注意再帰ネットワーク(GinAR)を提案する。 GinARでは、2つの重要なコンポーネント、すなわち注意と適応グラフの畳み込みで構成されている。 5つの実世界のデータセットで実施された実験では、GinARは11のSOTAベースラインより優れており、90%の変数が欠落している場合でも、すべての変数の将来の値を正確に予測できる。
  論文  参考訳（メタデータ） (2024-05-18T16:42:44Z)
• Time Series Data Augmentation as an Imbalanced Learning Problem [2.5536554335016417]
  我々は、オーバーサンプリング戦略を用いて、合成時系列観測を作成し、予測モデルの精度を向上させる。 5502個の単変量時系列を含む7種類のデータベースを用いて実験を行った。 提案手法は,グローバルモデルとローカルモデルの両方で優れており,この2つのアプローチのトレードオフが良好であることがわかった。
  論文  参考訳（メタデータ） (2024-04-29T09:27:15Z)
• 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)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• 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)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Global Models for Time Series Forecasting: A Simulation Study [2.580765958706854]
  自動回帰(AR)や季節ARのような単純なデータ生成プロセス(DGP)からカオスロジスティックマップ、自己興奮型閾値自動回帰、マッキーグラス方程式といった複雑なDGPまで、時系列をシミュレートする。 データセットの長さと系列数は、さまざまなシナリオで変化します。 我々はこれらのデータセットに対して,Recurrent Neural Networks (RNN), Feed-Forward Neural Networks, Pooled Regression (PR) Model, Light Gradient Boosting Models (LGBM)などの大域的予測モデルを用いて実験を行った。
  論文  参考訳（メタデータ） (2020-12-23T04:45:52Z)
• 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)
• Multivariate Probabilistic Time Series Forecasting via Conditioned Normalizing Flows [8.859284959951204]
  時系列予測は科学的・工学的な問題の基本である。 深層学習法はこの問題に適している。 多くの実世界のデータセットにおける標準メトリクスの最先端よりも改善されていることを示す。
  論文  参考訳（メタデータ） (2020-02-14T16:16:51Z)

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。