論文の概要: AdaWaveNet: Adaptive Wavelet Network for Time Series Analysis

• arxiv url: http://arxiv.org/abs/2405.11124v1
• Date: Fri, 17 May 2024 23:52:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-21 19:27:00.754241
• Title: AdaWaveNet: Adaptive Wavelet Network for Time Series Analysis
• Title（参考訳）: AdaWaveNet:時系列解析のための適応ウェーブレットネットワーク
• Authors: Han Yu, Peikun Guo, Akane Sano,
• Abstract要約: AdaWaveNetは、非定常時系列データのマルチスケール解析にアダプティブウェーブレット変換を利用する新しいアプローチである。 我々は、予測、計算、新たに確立された超解像タスクを含む3つのタスクにわたる10のデータセットで実験を行う。
• 参考スコア（独自算出の注目度）: 14.06147507373525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series data analysis is a critical component in various domains such as finance, healthcare, and meteorology. Despite the progress in deep learning for time series analysis, there remains a challenge in addressing the non-stationary nature of time series data. Traditional models, which are built on the assumption of constant statistical properties over time, often struggle to capture the temporal dynamics in realistic time series, resulting in bias and error in time series analysis. This paper introduces the Adaptive Wavelet Network (AdaWaveNet), a novel approach that employs Adaptive Wavelet Transformation for multi-scale analysis of non-stationary time series data. AdaWaveNet designed a lifting scheme-based wavelet decomposition and construction mechanism for adaptive and learnable wavelet transforms, which offers enhanced flexibility and robustness in analysis. We conduct extensive experiments on 10 datasets across 3 different tasks, including forecasting, imputation, and a newly established super-resolution task. The evaluations demonstrate the effectiveness of AdaWaveNet over existing methods in all three tasks, which illustrates its potential in various real-world applications.
• Abstract（参考訳）: 時系列データ分析は、金融、医療、気象学といった様々な分野において重要な要素である。 時系列解析の深層学習の進展にもかかわらず、時系列データの非定常的な性質に対処するには依然として課題がある。 時間とともに一定の統計的性質を仮定して構築される伝統的なモデルは、しばしば現実的な時系列における時間的ダイナミクスを捉えるのに苦労し、その結果、時系列解析におけるバイアスとエラーが発生する。 本稿では,非定常時系列データのマルチスケール解析に適応ウェーブレット変換を用いる新しいアプローチであるAdaptive Wavelet Network(AdaWaveNet)を紹介する。 AdaWaveNetは、適応性と学習可能なウェーブレット変換のためのリフトスキームに基づくウェーブレット分解と構築機構を設計し、解析の柔軟性と堅牢性を高めた。 我々は、予測、計算、新たに確立された超解像タスクを含む3つのタスクにまたがる10のデータセットに関する広範な実験を行った。 これらの評価は,AdaWaveNetが既存の3つのタスクに対して有効であることを示すものである。

関連論文リスト

• Recent Trends in Modelling the Continuous Time Series using Deep Learning: A Survey [0.18434042562191813]
  継続的シリーズは、医療、自動車、エネルギー、金融、モノのインターネット(IoT)など、現代のさまざまな分野において不可欠である。 本稿では、時系列の一般的な問題領域について述べ、連続時系列をモデル化する際の課題について概説する。
  論文  参考訳（メタデータ） (2024-09-13T14:19:44Z)
• TimeSieve: Extracting Temporal Dynamics through Information Bottlenecks [31.10683149519954]
  本稿では,時系列予測モデルTimeSieveを提案する。 提案手法では、ウェーブレット変換を用いて時系列データを前処理し、マルチスケールの特徴を効果的にキャプチャする。 本研究は,時系列予測における課題に対処するためのアプローチの有効性を検証した。
  論文  参考訳（メタデータ） (2024-06-07T15:58:12Z)
• TSLANet: Rethinking Transformers for Time Series Representation Learning [19.795353886621715]
  時系列データは、その固有の長短の依存関係によって特徴づけられる。 本稿では,時系列タスクの普遍的畳み込みモデルとして,新しい時系列軽量ネットワーク(TSLANet)を導入する。 我々の実験では、TSLANetは分類、予測、異常検出にまたがる様々なタスクにおいて最先端のモデルよりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-04-12T13:41:29Z)
• 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)
• WFTNet: Exploiting Global and Local Periodicity in Long-term Time Series Forecasting [61.64303388738395]
  本稿では,長期連続予測のためのWavelet-Fourier Transform Network (WFTNet)を提案する。 さまざまな時系列データセットのテストでは、WFTNetは他の最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-09-20T13:44:18Z)
• Multivariate Time Series characterization and forecasting of VoIP traffic in real mobile networks [9.637582917616703]
  モビリティシナリオにおけるリアルタイムトラフィック(例えばVoIP)の振る舞いを予測することは、オペレーターがネットワークインフラをよりよく計画するのに役立つ。 本研究では,実モバイル環境におけるVoIPトラフィックの重要/QoE記述子の予測分析を提案する。
  論文  参考訳（メタデータ） (2023-07-13T09:21:39Z)
• A Survey on Deep Learning based Time Series Analysis with Frequency Transformation [74.3919960186696]
  周波数変換(FT)は、時系列解析における最先端の精度と効率を高めるために、ディープラーニングモデルにますます取り入れられている。 この新興分野における注目の高まりと研究の高まりにもかかわらず、現在、FTを用いたディープラーニングベースの時系列モデルの体系的レビューと詳細な分析が欠如している。 本稿では,FTを用いた深層学習に基づく時系列解析における最近の研究成果を体系的に研究し,要約する総合的なレビューを紹介する。
  論文  参考訳（メタデータ） (2023-02-04T14:33:07Z)
• W-Transformers : A Wavelet-based Transformer Framework for Univariate Time Series Forecasting [7.075125892721573]
  我々はウェーブレットベースのトランスフォーマーエンコーダアーキテクチャを用いて,非定常時系列のトランスフォーマーモデルを構築した。 各種ドメインから公開されているベンチマーク時系列データセットについて,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2022-09-08T17:39:38Z)
• 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)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• 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。