論文の概要: Robust Multivariate Time Series Forecasting against Intra- and Inter-Series Transitional Shift

• arxiv url: http://arxiv.org/abs/2407.13194v1
• Date: Thu, 18 Jul 2024 06:16:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-19 16:42:04.723917
• Title: Robust Multivariate Time Series Forecasting against Intra- and Inter-Series Transitional Shift
• Title（参考訳）: 系列内および系列間遷移シフトに対するロバスト多変量時系列予測
• Authors: Hui He, Qi Zhang, Kun Yi, Xiaojun Xue, Shoujin Wang, Liang Hu, Longbing Cao,
• Abstract要約: 本稿では,時系列内/時系列間の相関関係を統合的に把握し,時変遷移分布をモデル化するための統一確率グラフモデルを提案する。 6つの高定常MTSデータセットに対する広範囲な実験により、JointPGMの有効性と効率を検証した。
• 参考スコア（独自算出の注目度）: 40.734564394464556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The non-stationary nature of real-world Multivariate Time Series (MTS) data presents forecasting models with a formidable challenge of the time-variant distribution of time series, referred to as distribution shift. Existing studies on the distribution shift mostly adhere to adaptive normalization techniques for alleviating temporal mean and covariance shifts or time-variant modeling for capturing temporal shifts. Despite improving model generalization, these normalization-based methods often assume a time-invariant transition between outputs and inputs but disregard specific intra-/inter-series correlations, while time-variant models overlook the intrinsic causes of the distribution shift. This limits model expressiveness and interpretability of tackling the distribution shift for MTS forecasting. To mitigate such a dilemma, we present a unified Probabilistic Graphical Model to Jointly capturing intra-/inter-series correlations and modeling the time-variant transitional distribution, and instantiate a neural framework called JointPGM for non-stationary MTS forecasting. Specifically, JointPGM first employs multiple Fourier basis functions to learn dynamic time factors and designs two distinct learners: intra-series and inter-series learners. The intra-series learner effectively captures temporal dynamics by utilizing temporal gates, while the inter-series learner explicitly models spatial dynamics through multi-hop propagation, incorporating Gumbel-softmax sampling. These two types of series dynamics are subsequently fused into a latent variable, which is inversely employed to infer time factors, generate final prediction, and perform reconstruction. We validate the effectiveness and efficiency of JointPGM through extensive experiments on six highly non-stationary MTS datasets, achieving state-of-the-art forecasting performance of MTS forecasting.
• Abstract（参考訳）: 実世界の多変量時系列(MTS)データの非定常的な性質は、分布シフトと呼ばれる時系列の時間変量分布に対する恐ろしい挑戦を伴う予測モデルを示す。 分布シフトに関する既存の研究は、時間平均と共分散シフトを緩和するための適応正規化技術や、時間変動を捉えるための時間変動モデリングに大きく依存している。 モデル一般化の改善にもかかわらず、これらの正規化に基づく手法は出力と入力の間の時間不変遷移を仮定することが多いが、時間不変モデルは分布シフトの本質的な原因を見落としている。 このことは、MSS予測の分布シフトに取り組むことの表現性と解釈可能性を制限する。 このようなジレンマを緩和するために、我々は、時系列内/時系列間の相関関係を結合的に捉え、時変遷移分布をモデル化し、非定常MTS予測のためのJointPGMと呼ばれるニューラルネットワークフレームワークをインスタンス化する統一確率的グラフィカルモデルを提案する。 特に、JointPGMは複数のフーリエ基底関数を用いて動的時間要素を学習し、2つの異なる学習者(シリーズ内およびシリーズ間学習者)を設計する。 系列内学習者は時間的ゲートを利用して時間的ダイナミクスを効果的に捕捉し、系列間学習者はGumbel-softmaxサンプリングを取り入れたマルチホップ伝搬により空間的ダイナミクスを明示的にモデル化する。 これらの2種類の級数ダイナミクスはその後、遅延変数に融合され、逆向きに時間要素を推論し、最終的な予測を生成し、再構成を行う。 MTS予測の最先端予測性能を達成し、6つの非定常MTSデータセットに対する広範囲な実験により、JointPGMの有効性と効率を検証した。

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)
• 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)
• Considering Nonstationary within Multivariate Time Series with Variational Hierarchical Transformer for Forecasting [12.793705636683402]
  MTS内の非定常性と固有特性を考慮した強力な階層的確率的生成モジュールを開発した。 次に、階層時間系列変分変換器(HTV-Trans)という、明確に定義された変動生成動的モデルに対する変換器と組み合わせる。 HTV-Transは強力な確率モデルであり、MTSの表現表現を学習し、予測タスクに適用する。
  論文  参考訳（メタデータ） (2024-03-08T16:04:36Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• MTS-Mixers: Multivariate Time Series Forecasting via Factorized Temporal and Channel Mixing [18.058617044421293]
  本稿では,時系列予測の性能に対する注意機構の寄与と欠陥について検討する。 MTS-Mixersを提案する。これは2つの分解されたモジュールを用いて時間的およびチャネル的依存関係をキャプチャする。 いくつかの実世界のデータセットによる実験結果から、MTS-Mixersは既存のTransformerベースのモデルよりも高い効率で性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-02-09T08:52:49Z)
• Distributional Drift Adaptation with Temporal Conditional Variational Autoencoder for Multivariate Time Series Forecasting [41.206310481507565]
  本稿では,時間経過に伴う動的分布依存をモデル化するための時間的条件変動自動符号化(TCVAE)を提案する。 TCVAEは、依存関係を時間的条件分布として推論し、潜伏変数を活用する。 現状のMTS予測ベースラインに対して,TCVAEの強靭性と有効性を示す。
  論文  参考訳（メタデータ） (2022-09-01T10:06:22Z)
• 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)
• Model-Attentive Ensemble Learning for Sequence Modeling [86.4785354333566]
  シーケンスモデリング(MAES)のためのモデル・アテンティブ・アンサンブル・ラーニングを提案する。 MAESは、異なるシーケンスダイナミクスの専門家を専門とし、予測を適応的に重み付けるために、注目ベースのゲーティングメカニズムを利用する時系列の専門家の混合物です。 MAESが時系列シフトを受けるデータセットの人気シーケンスモデルを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2021-02-23T05:23:35Z)

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。