論文の概要: Rethinking the Power of Timestamps for Robust Time Series Forecasting: A Global-Local Fusion Perspective

• arxiv url: http://arxiv.org/abs/2409.18696v3
• Date: Wed, 20 Nov 2024 07:51:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 16:10:22.697955
• Title: Rethinking the Power of Timestamps for Robust Time Series Forecasting: A Global-Local Fusion Perspective
• Title（参考訳）: 時系列予測のためのタイムスタンプのパワーを再考する:グローバルローカルフュージョンの視点から
• Authors: Chengsen Wang, Qi Qi, Jingyu Wang, Haifeng Sun, Zirui Zhuang, Jinming Wu, Jianxin Liao,
• Abstract要約: 時系列予測は、金融、交通、エネルギー、医療、気候など様々な産業で重要な役割を果たしてきた。 季節情報が豊富にあるため、タイムスタンプは予測技術に堅牢なグローバルガイダンスを提供する可能性を秘めている。 本稿では,これらの問題に対処する新しいフレームワークGLAFFを提案する。 このフレームワーク内では、タイムスタンプはグローバルな依存関係をキャプチャするために個別にモデル化される。
• 参考スコア（独自算出の注目度）: 23.617890999628514
• License:
• Abstract: Time series forecasting has played a pivotal role across various industries, including finance, transportation, energy, healthcare, and climate. Due to the abundant seasonal information they contain, timestamps possess the potential to offer robust global guidance for forecasting techniques. However, existing works primarily focus on local observations, with timestamps being treated merely as an optional supplement that remains underutilized. When data gathered from the real world is polluted, the absence of global information will damage the robust prediction capability of these algorithms. To address these problems, we propose a novel framework named GLAFF. Within this framework, the timestamps are modeled individually to capture the global dependencies. Working as a plugin, GLAFF adaptively adjusts the combined weights for global and local information, enabling seamless collaboration with any time series forecasting backbone. Extensive experiments conducted on nine real-world datasets demonstrate that GLAFF significantly enhances the average performance of widely used mainstream forecasting models by 12.5%, surpassing the previous state-of-the-art method by 5.5%.
• Abstract（参考訳）: 時系列予測は、金融、交通、エネルギー、医療、気候など様々な産業で重要な役割を果たしてきた。 季節情報が豊富にあるため、タイムスタンプは予測技術に堅牢なグローバルガイダンスを提供する可能性を秘めている。 しかし、既存の研究は主に局所的な観察に焦点を当てており、タイムスタンプは未使用のままオプションの補足として扱われるだけである。 現実世界から収集されたデータが汚染されると、グローバルな情報がないことが、これらのアルゴリズムの堅牢な予測能力を損なう。 これらの問題に対処するため,我々はGLAFFという新しいフレームワークを提案する。 このフレームワーク内では、タイムスタンプはグローバルな依存関係をキャプチャするために個別にモデル化される。 GLAFFはプラグインとして機能し、グローバルおよびローカル情報の重み付けを適応的に調整し、バックボーンを予測する時系列とのシームレスなコラボレーションを可能にする。 9つの実世界のデータセットで実施された大規模な実験により、GLAFFは、広く使われている主流予測モデルの平均性能を12.5%向上させ、従来の最先端の手法を5.5%上回ることを示した。

関連論文リスト

• Less is more: Embracing sparsity and interpolation with Esiformer for time series forecasting [19.8447763392479]
  実世界のアプリケーションから生成された時系列データは、常に高いばらつきと多くのノイズを示す。 本稿では,元のデータに適用し,データ全体のばらつきを低減し,ノイズの影響を軽減するEsiformerを提案する。 MSEを6.5%,MAEを5.8%削減した。
  論文  参考訳（メタデータ） (2024-10-08T06:45:47Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• How far are today's time-series models from real-world weather forecasting applications? [22.68937280154092]
  WEATHER-5Kは、現実世界のシナリオをよりよく反映した観測気象データの包括的収集である。 これにより、モデルのより良いトレーニングと、TSFモデルの現実の予測能力のより正確な評価が可能になる。 我々は,学術的TSFモデルと実世界の天気予報アプリケーションとのギャップを,研究者に明確に評価する。
  論文  参考訳（メタデータ） (2024-06-20T15:18:52Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
  フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。 従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。 我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
  論文  参考訳（メタデータ） (2024-04-29T05:55:23Z)
• SCTc-TE: A Comprehensive Formulation and Benchmark for Temporal Event Forecasting [63.01035584154509]
  私たちは完全に自動化されたパイプラインを開発し、約0.6百万のニュース記事からMidEast-TEという大規模なデータセットを構築しました。 このデータセットは、2015年から2022年まで、主に中東地域での協力と紛争イベントに焦点を当てている。 そこで本稿では,SCTc-TE予測にローカルコンテキストとグローバルコンテキストの両方を活用可能なLoGoを提案する。
  論文  参考訳（メタデータ） (2023-12-02T07:40:21Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Upscaling Global Hourly GPP with Temporal Fusion Transformer (TFT) [0.0]
  グロース・プライマリ・生産性は気候変動のイニシアチブを評価するのに不可欠である。 推定値は現在、わずかに分散した渦状共分散塔の場所からのみ入手可能である。 本研究では、TFT(Temporal Fusion Transformer)を用いた新しいアップスケーリングソリューションについて検討した。
  論文  参考訳（メタデータ） (2023-06-23T23:29:05Z)
• Time Series Forecasting via Semi-Asymmetric Convolutional Architecture with Global Atrous Sliding Window [0.0]
  本稿では,時系列予測の問題に対処するために提案手法を提案する。 現代のモデルのほとんどは、短い範囲の情報のみに焦点を当てており、時系列予測のような問題で致命的なものである。 パフォーマンス上のアドバンテージがあることを実験的に検証した3つの主要なコントリビューションを行います。
  論文  参考訳（メタデータ） (2023-01-31T15:07:31Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Graph Deep Factors for Forecasting [30.424335452817118]
  グラフ深度因子 (Graph Deep Factors, GraphDF) と呼ばれる, グラフに基づく予測フレームワークを提案する。 GraphDFは、リレーショナルグローバルおよびリレーショナルローカルモデルで構成されるハイブリッド予測フレームワークである。 ケーススタディでは,GraphDFがクラウド利用予測の生成に成功し,ワークロードを同時にスケジュールすることで,平均47.5%のクラウドクラスタ利用率向上を実現している。
  論文  参考訳（メタデータ） (2020-10-14T19:25:26Z)

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。