論文の概要: Multi-Knowledge Fusion Network for Time Series Representation Learning
- arxiv url: http://arxiv.org/abs/2408.12423v1
- Date: Thu, 22 Aug 2024 14:18:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-23 13:32:07.541230
- Title: Multi-Knowledge Fusion Network for Time Series Representation Learning
- Title（参考訳）: 時系列表現学習のための多知識融合ネットワーク
- Authors: Sagar Srinivas Sakhinana, Shivam Gupta, Krishna Sai Sudhir Aripirala, Venkataramana Runkana,
- Abstract要約: MTSデータ内の関係構造の暗黙的な知識と事前知識を組み合わせたハイブリッドアーキテクチャを提案する。
提案アーキテクチャは、複数のベンチマークデータセットに対して有望な結果を示し、最先端の予測手法をかなりの差で上回っている。
- 参考スコア（独自算出の注目度）: 2.368662284133926
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Forecasting the behaviour of complex dynamical systems such as interconnected sensor networks characterized by high-dimensional multivariate time series(MTS) is of paramount importance for making informed decisions and planning for the future in a broad spectrum of applications. Graph forecasting networks(GFNs) are well-suited for forecasting MTS data that exhibit spatio-temporal dependencies. However, most prior works of GFN-based methods on MTS forecasting rely on domain-expertise to model the nonlinear dynamics of the system, but neglect the potential to leverage the inherent relational-structural dependencies among time series variables underlying MTS data. On the other hand, contemporary works attempt to infer the relational structure of the complex dependencies between the variables and simultaneously learn the nonlinear dynamics of the interconnected system but neglect the possibility of incorporating domain-specific prior knowledge to improve forecast accuracy. To this end, we propose a hybrid architecture that combines explicit prior knowledge with implicit knowledge of the relational structure within the MTS data. It jointly learns intra-series temporal dependencies and inter-series spatial dependencies by encoding time-conditioned structural spatio-temporal inductive biases to provide more accurate and reliable forecasts. It also models the time-varying uncertainty of the multi-horizon forecasts to support decision-making by providing estimates of prediction uncertainty. The proposed architecture has shown promising results on multiple benchmark datasets and outperforms state-of-the-art forecasting methods by a significant margin. We report and discuss the ablation studies to validate our forecasting architecture.
- Abstract（参考訳）: 高次元多変量時系列(MTS)を特徴とする相互接続型センサネットワークのような複雑な力学系の振舞いを予測することは、幅広い応用分野において情報的決定と将来の計画を行う上で極めて重要である。
グラフ予測ネットワーク(GFN)は時空間依存性を示すMSSデータの予測に適している。
しかし、MTS予測に関するGFNベースの手法のこれまでのほとんどの研究は、システムの非線形力学をモデル化するためにドメインエキスパートに依存していたが、MTSデータに基づく時系列変数間の関係構造的依存関係を利用する可能性を無視した。
一方、同時代の研究では、変数間の複雑な依存関係の関連構造を推測し、相互接続系の非線形力学を同時に学習するが、予測精度を向上させるためにドメイン固有の事前知識を組み込む可能性を無視している。
この目的のために,MTSデータ内の関係構造の暗黙的な知識と明示的な事前知識を組み合わせたハイブリッドアーキテクチャを提案する。
時系列内時間依存性と時系列間空間依存性を時間条件付き構造的時空間帰納バイアスを符号化することにより、より正確で信頼性の高い予測を提供する。
また、マルチ水平予測の不確実性の時間変化をモデル化し、予測不確実性の見積もりを提供することで意思決定を支援する。
提案アーキテクチャは、複数のベンチマークデータセットに対して有望な結果を示し、最先端の予測手法をかなりの差で上回っている。
予測アーキテクチャを検証するためのアブレーション研究を報告し、議論する。
関連論文リスト
- Multi-Source Knowledge-Based Hybrid Neural Framework for Time Series Representation Learning [2.368662284133926]
提案したハイブリッドアーキテクチャは、ドメイン固有の知識とMSSデータに基づく関係構造の暗黙的な知識を組み合わせることで制限に対処する。
このアーキテクチャは、複数のベンチマークデータセットで有望な結果を示し、最先端の予測方法よりも優れています。
論文 参考訳（メタデータ） (2024-08-22T13:58:55Z) - Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。
幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
論文 参考訳（メタデータ） (2024-07-02T20:14:32Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - Deep Coupling Network For Multivariate Time Series Forecasting [24.01637416183444]
我々は,MTS予測のための新しいディープカップリングネットワーク,DeepCNを提案する。
提案するDeepCNは,最先端のベースラインに比べて優れた性能を実現する。
論文 参考訳（メタデータ） (2024-02-23T06:38:08Z) - Structural Knowledge Informed Continual Multivariate Time Series
Forecasting [23.18105409644709]
本稿では,連続学習パラダイム内で MTS 予測を行うための新しい構造知識情報連続学習(SKI-CL)フレームワークを提案する。
具体的には、グラフ構造学習に基づく予測モデルを構築し、学習した変数依存と構造知識の間に一貫性の規則化スキームを課す。
本研究では,MTSデータの時間的カバレッジを最大化し,各状態の時間的ダイナミクスと依存性構造を効率的に保存する表現マッチング型メモリ再生方式を開発した。
論文 参考訳（メタデータ） (2024-02-20T05:11:20Z) - MPR-Net:Multi-Scale Pattern Reproduction Guided Universality Time Series
Interpretable Forecasting [13.790498420659636]
時系列予測は、その広範な応用が本質的に困難なため、既存の研究から幅広い関心を集めている。
本稿では,まず,畳み込み操作を用いてマルチスケールの時系列パターンを適応的に分解し,パターン再現の既知に基づいてパターン拡張予測手法を構築し,最終的に畳み込み操作を用いて将来的なパターンを再構築する。
時系列に存在する時間的依存関係を活用することで、MPR-Netは線形時間複雑性を達成するだけでなく、予測プロセスも解釈できる。
論文 参考訳（メタデータ） (2023-07-13T13:16:01Z) - Monitoring Time Series With Missing Values: a Deep Probabilistic
Approach [1.90365714903665]
本研究では,高次元時系列における予測の最先端手法と不確実性の完全な確率的ハンドリングを組み合わせた時系列モニタリングのための新しいアーキテクチャを提案する。
本稿では、時系列予測と新規性検出のアーキテクチャの利点を、特に部分的に欠落したデータで示し、実世界のデータセットにおける最先端のアプローチとアーキテクチャを実証的に評価し比較する。
論文 参考訳（メタデータ） (2022-03-09T17:53:47Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳（メタデータ） (2020-06-19T21:04:47Z) - 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) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳（メタデータ） (2020-02-21T13:48:13Z)
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。