論文の概要: DGCformer: Deep Graph Clustering Transformer for Multivariate Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2405.08440v1
- Date: Tue, 14 May 2024 09:01:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-15 14:38:24.846181
- Title: DGCformer: Deep Graph Clustering Transformer for Multivariate Time Series Forecasting
- Title(参考訳): DGCformer:多変量時系列予測のためのディープグラフクラスタリング変換器
- Authors: Qinshuo Liu, Yanwen Fang, Pengtao Jiang, Guodong Li,
- Abstract要約: 本稿では,多変量時系列予測のためのDeep Graph Clustering Transformer (DGCformer)を提案する。
まず、これらの関連する変数をオートエンコーダと統合されたグラフ畳み込みネットワークでグループ化し、その後、以前のラスタマスクによる自己保持機構を検討する。
- 参考スコア(独自算出の注目度): 16.081071155397186
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multivariate time series forecasting tasks are usually conducted in a channel-dependent (CD) way since it can incorporate more variable-relevant information. However, it may also involve a lot of irrelevant variables, and this even leads to worse performance than the channel-independent (CI) strategy. This paper combines the strengths of both strategies and proposes the Deep Graph Clustering Transformer (DGCformer) for multivariate time series forecasting. Specifically, it first groups these relevant variables by a graph convolutional network integrated with an autoencoder, and a former-latter masked self-attention mechanism is then considered with the CD strategy being applied to each group of variables while the CI one for different groups. Extensive experimental results on eight datasets demonstrate the superiority of our method against state-of-the-art models, and our code will be publicly available upon acceptance.
- Abstract(参考訳): 多変量時系列予測タスクは通常、より可変関連情報を組み込むことができるため、チャンネル依存(CD)方式で行われる。
しかし、これは多くの無関係な変数も含み、チャネル非依存(CI)戦略よりもパフォーマンスが悪くなります。
本稿では,両戦略の長所を組み合わせ,多変量時系列予測のためのディープグラフクラスタリング変換器(DGCformer)を提案する。
具体的には、まずこれらの関連する変数をオートエンコーダと統合されたグラフ畳み込みネットワークでグループ化し、その後、CD戦略を変数群に適用し、CI戦略を異なるグループに適用する。
8つのデータセットに対する大規模な実験結果から,提案手法の最先端モデルに対する優位性が確認された。
関連論文リスト
- 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) - ForecastGrapher: Redefining Multivariate Time Series Forecasting with Graph Neural Networks [9.006068771300377]
本稿では、複雑な時間的ダイナミクスと系列間相関をキャプチャするフレームワークであるForecastGrapherを紹介する。
提案手法は,各系列の時間的変動を反映するカスタムノード埋め込みの生成,系列間の相関関係を符号化する適応的隣接行列の構築,および第3に,ノード特徴分布の多様化によるGNNの表現力の増大という,3つの重要なステップによって支えられている。
論文 参考訳(メタデータ) (2024-05-28T10:40:20Z) - 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) - 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) - Transformer-based conditional generative adversarial network for
multivariate time series generation [0.0]
時間依存データの条件付き生成は、非常に関心のあるタスクである。
変圧器を用いた時系列生成対向ネットワーク(TTS-GAN)の最近の提案
我々は、その生成された出力を特定のエンコードされたコンテキストに条件付けすることで、TS-GANを拡張する。
この変換器をベースとしたCGANは,異なる条件下で現実的な高次元および長大なデータ列を生成することができることを示す。
論文 参考訳(メタデータ) (2022-10-05T08:29:33Z) - Expressing Multivariate Time Series as Graphs with Time Series Attention
Transformer [14.172091921813065]
多変量時系列表現学習のための時系列注意変換器(TSAT)を提案する。
TSATを用いて、エッジ強化された動的グラフの観点から、時系列の時間情報と相互依存の両方を表現している。
TSATは、様々な予測地平線において、最先端の6つのベースライン法より明らかに優れていることを示す。
論文 参考訳(メタデータ) (2022-08-19T12:25:56Z) - Instance-wise Graph-based Framework for Multivariate Time Series
Forecasting [69.38716332931986]
我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。
私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
論文 参考訳(メタデータ) (2021-09-14T07:38:35Z) - Variance Reduction in Training Forecasting Models with Subgroup Sampling [34.941630385114216]
一般的に用いられる勾配(例)の予測モデルを示す。
sgd) 大きなばらつきがあり、長時間のトレーニングが必要となる。
この問題を軽減するために,サブグループサンプリングというサンプリング戦略を提案する。
SCottは勾配と壁面時計の両方の目標に対してより高速に収束することを示す。
論文 参考訳(メタデータ) (2021-03-02T22:23:27Z) - 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)
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。