論文の概要: Timeseria: an object-oriented time series processing library

• arxiv url: http://arxiv.org/abs/2410.09567v1
• Date: Fri, 18 Oct 2024 12:18:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-30 13:45:15.635128
• Title: Timeseria: an object-oriented time series processing library
• Title（参考訳）: Timeseria: オブジェクト指向時系列処理ライブラリ
• Authors: Stefano Alberto Russo, Giuliano Taffonia, Luca Bortolussi,
• Abstract要約: TimeseriaはPythonで実装されたオブジェクト指向の時系列処理ライブラリである。 時系列データを操作しやすくし、その上に統計的および機械学習モデルを構築することを目指している。
• 参考スコア（独自算出の注目度）: 0.40964539027092917
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Timeseria is an object-oriented time series processing library implemented in Python, which aims at making it easier to manipulate time series data and to build statistical and machine learning models on top of it. Unlike common data analysis frameworks, it builds up from well defined and reusable logical units (objects), which can be easily combined together in order to ensure a high level of consistency. Thanks to this approach, Timeseria can address by design several non-trivial issues often underestimated, such as handling data losses, non-uniform sampling rates, differences between aggregated data and punctual observations, time zones, daylight saving times, and more. Timeseria comes with a comprehensive set of base data structures, common data manipulation operations, and extensible models for data reconstruction, forecasting and anomaly detection. It also integrates a powerful plotting engine capable of handling even millions of data points.
• Abstract（参考訳）: TimeseriaはPythonで実装されたオブジェクト指向の時系列処理ライブラリで、時系列データを操作しやすくし、その上に統計的および機械学習モデルを構築することを目的としている。 一般的なデータ分析フレームワークとは異なり、明確に定義された再利用可能な論理ユニット(オブジェクト)から構築される。 このアプローチにより、Timeseriaは、データ損失、非一様サンプリング率、集約データと時間的観察の違い、時間帯、日光の節約時間など、しばしば過小評価されるいくつかの非自明な問題に対処することができる。 Timeseriaには、一連のベースデータ構造、一般的なデータ操作操作、データ再構成、予測、異常検出のための拡張可能なモデルが含まれている。 また、数百万のデータポイントを処理できる強力なプロットエンジンを統合している。

関連論文リスト

• Metadata Matters for Time Series: Informative Forecasting with Transformers [70.38241681764738]
  時系列予測のためのMetaTST(Metadata-informed Time Series Transformer)を提案する。 メタデータの非構造化の性質に取り組むため、MetaTSTは、事前に設計されたテンプレートによってそれらを自然言語に形式化する。 Transformerエンコーダは、メタデータ情報によるシーケンス表現を拡張するシリーズトークンとメタデータトークンの通信に使用される。
  論文  参考訳（メタデータ） (2024-10-04T11:37:55Z)
• Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
  時系列データは、現実世界のシナリオにおいて非常に重要である。 近年、時系列コミュニティで顕著なブレークスルーが見られた。 多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
  論文  参考訳（メタデータ） (2024-07-18T08:31:55Z)
• A Language Model-Guided Framework for Mining Time Series with Distributional Shifts [5.082311792764403]
  本稿では,大規模言語モデルとデータソースインタフェースを用いて時系列データセットを探索・収集する手法を提案する。 収集したデータは外部ソースから得られるが、一次時系列データセットと重要な統計特性を共有できる。 収集されたデータセットは、既存のデータセット、特にデータ分散の変化を効果的に補うことができることを示唆している。
  論文  参考訳（メタデータ） (2024-06-07T20:21:07Z)
• Chronos: Learning the Language of Time Series [79.38691251254173]
  Chronosは事前訓練された確率的時系列モデルのためのフレームワークである。 クロノスモデルでは,様々な領域の時系列データを利用して,未知の予測タスクにおけるゼロショット精度を向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-03-12T16:53:54Z)
• Temporal Treasure Hunt: Content-based Time Series Retrieval System for Discovering Insights [34.1973242428317]
  時系列データは、金融、医療、製造業など、さまざまな分野にまたがっている。 Content-based Time Series Retrieval(CTSR)を実行する能力は、未知の時系列例を特定する上で重要である。 我々は,様々な領域の時系列データを含むCTSRベンチマークデータセットを提案する。
  論文  参考訳（メタデータ） (2023-11-05T04:12:13Z)
• Pushing the Limits of Pre-training for Time Series Forecasting in the CloudOps Domain [54.67888148566323]
  クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。 強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。 これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
  論文  参考訳（メタデータ） (2023-10-08T08:09:51Z)
• Few-Shot Forecasting of Time-Series with Heterogeneous Channels [4.635820333232681]
  本研究では,時間的埋め込みを組み込んだ置換不変な深部集合ブロックからなるモデルを開発する。 実験を通して、我々のモデルはより単純なシナリオから実行されたベースラインよりも優れた一般化を提供することを示す。
  論文  参考訳（メタデータ） (2022-04-07T14:02:15Z)
• Merlion: A Machine Learning Library for Time Series [73.46386700728577]
  Merlionは時系列のためのオープンソースの機械学習ライブラリである。 モデルの統一インターフェースと、異常検出と予測のためのデータセットを備えている。 Merlionはまた、本番環境でのモデルのライブデプロイメントと再トレーニングをシミュレートするユニークな評価フレームワークも提供する。
  論文  参考訳（メタデータ） (2021-09-20T02:03:43Z)
• Time Series Data Imputation: A Survey on Deep Learning Approaches [4.4458738910060775]
  時系列データ計算は、様々なカテゴリのメソッドでよく研究されている問題である。 ディープラーニングに基づく時系列手法は、RNNのようなモデルの使用によって進歩している。 我々は,それらのモデルアーキテクチャ,その長所,短所,短所,および時系列計算手法の開発を示す効果をレビューし,議論する。
  論文  参考訳（メタデータ） (2020-11-23T11:57:27Z)
• Partially-Aligned Data-to-Text Generation with Distant Supervision [69.15410325679635]
  我々はPADTG(Partially-Aligned Data-to-Text Generation)と呼ばれる新しい生成タスクを提案する。 自動的にアノテートされたデータをトレーニングに利用し、アプリケーションドメインを大幅に拡張するため、より実用的です。 我々のフレームワークは、全てのベースラインモデルより優れており、部分整合データの利用の可能性を検証する。
  論文  参考訳（メタデータ） (2020-10-03T03:18:52Z)

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。