論文の概要: A Comprehensive Survey of Deep Learning for Time Series Forecasting: Architectural Diversity and Open Challenges

• arxiv url: http://arxiv.org/abs/2411.05793v3
• Date: Thu, 01 May 2025 05:05:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:52.127477
• Title: A Comprehensive Survey of Deep Learning for Time Series Forecasting: Architectural Diversity and Open Challenges
• Title（参考訳）: 時系列予測のためのディープラーニングに関する包括的調査: アーキテクチャの多様性とオープンチャレンジ
• Authors: Jongseon Kim, Hyungjoon Kim, HyunGi Kim, Dongjun Lee, Sungroh Yoon,
• Abstract要約: 時系列予測は意思決定の重要な情報を提供する重要なタスクである。 近年の研究では、単純な線形層のような代替手段がトランスフォーマーより優れていることが示されている。
• 参考スコア（独自算出の注目度）: 37.20655606514617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting is a critical task that provides key information for decision-making. After traditional statistical and machine learning approaches, various fundamental deep learning architectures such as MLPs, CNNs, RNNs, and GNNs have been developed. However, the structural limitations caused by the inductive biases of each deep learning architecture constrained their performance. Transformer models, which excel at handling long-term dependencies, have become significant architectural components for time series forecasting. However, recent research has shown that alternatives such as simple linear layers can outperform Transformers. These findings have opened up new possibilities for using diverse architectures, ranging from fundamental deep learning models to emerging architectures and hybrid approaches. In this context, architectural modeling of time series forecasting has now entered a renaissance. This survey not only provides a historical context for time series forecasting but also offers comprehensive and timely analysis of the movement toward architectural diversification. By comparing and re-examining deep learning models, we uncover new perspectives and present recent trends, including hybrid, diffusion, Mamba, and foundation models. By focusing on the inherent characteristics of time series data, we also address open challenges that have gained attention in time series forecasting, such as channel dependency, distribution shift, causality, and feature extraction. These contributions help lower entry barriers for newcomers by providing a systematic understanding of the diverse research areas in time series forecasting (TSF), while offering seasoned researchers broader perspectives and new opportunities through in-depth exploration of TSF challenges. (Shortened due to arXiv's 1,920-character limit. Full version in the paper.)
• Abstract（参考訳）: 時系列予測は意思決定の重要な情報を提供する重要なタスクである。 従来の統計的および機械学習アプローチの後、MPP、CNN、RNN、GNNといった様々な基礎的なディープラーニングアーキテクチャが開発されている。 しかし、各ディープラーニングアーキテクチャの帰納バイアスに起因する構造的制約は、その性能を制約した。 長期的な依存関係を扱うのに優れているトランスフォーマーモデルは、時系列予測のための重要なアーキテクチャコンポーネントとなっている。 しかし、最近の研究では、単純な線形層のような代替手段がトランスフォーマーより優れていることが示されている。 これらの発見は、基本的なディープラーニングモデルから新しいアーキテクチャやハイブリッドアプローチまで、さまざまなアーキテクチャを使用する新たな可能性を開いた。 この文脈では、時系列予測のアーキテクチャモデリングが現在、ルネサンスに突入している。 この調査は時系列予測の歴史的文脈を提供するだけでなく、アーキテクチャの多様化に向けた動きの包括的かつタイムリーな分析も提供する。 ディープラーニングモデルの比較と再検討により、ハイブリッド、拡散、マンバ、基礎モデルなど、新しい視点と最近のトレンドを明らかにする。 また,時系列データの本質的特徴に着目し,チャネル依存性や分布シフト,因果性,特徴抽出といった時系列予測において注目されている課題にも対処する。 これらの貢献は、時系列予測(TSF)における多様な研究領域の体系的な理解を提供することによって、新参者の参入障壁を低くするのに役立つ。 (arXivの1,920文字制限により短縮。本文全文)

関連論文リスト

• Foundation Models for Time Series: A Survey [0.27835153780240135]
  トランスフォーマーベースの基礎モデルは時系列解析において支配的なパラダイムとして現れてきた。 この調査は、いくつかの分野にまたがって分類する新しい分類法を導入している。
  論文  参考訳（メタデータ） (2025-04-05T01:27:55Z)
• Deep Learning for Time Series Forecasting: A Survey [12.748035569833451]
  本稿では,先行研究について検討し,Deep Time Series Forecasting(DTSF)の一般的なパラダイムをモデルアーキテクチャの観点から要約する。 本稿では,時系列の構成に着目し,重要な特徴抽出手法を体系的に説明することによって,革新的なアプローチをとる。
  論文  参考訳（メタデータ） (2025-03-13T09:32:01Z)
• TSI: A Multi-View Representation Learning Approach for Time Series Forecasting [29.05140751690699]
  本研究では,時系列予測のための新しいマルチビュー手法を提案する。 傾向と季節表現を独立成分分析(ICA)に基づく表現と統合する。 このアプローチは時系列データの全体的理解を提供し、しばしば曖昧で非線形な関係を見逃す伝統的なモデルを越えている。
  論文  参考訳（メタデータ） (2024-09-30T02:11:57Z)
• Time Series Foundation Models and Deep Learning Architectures for Earthquake Temporal and Spatial Nowcasting [1.4854797901022863]
  既成の基盤モデルの総合的な評価を欠いている。 我々はMultiFoundationQuakeとGNNCoderという2つのイノベーションアプローチを紹介した。 我々は,南カリフォルニアの0.1度空間ビン内における今後14日間の時系列予測問題として,地震予報を定式化した。
  論文  参考訳（メタデータ） (2024-08-21T20:57:03Z)
• 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)
• Time Series Representation Models [2.724184832774005]
  時系列解析は、そのスパース特性、高次元性、一貫性のないデータ品質のため、依然として大きな課題である。 近年のトランス技術の発展により,予測や計算能力が向上している。 イントロスペクションに基づく時系列解析のための新しいアーキテクチャ概念を提案する。
  論文  参考訳（メタデータ） (2024-05-28T13:25:31Z)
• A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
  時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。 我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。 本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
  論文  参考訳（メタデータ） (2024-04-29T17:19:40Z)
• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• On the Resurgence of Recurrent Models for Long Sequences -- Survey and Research Opportunities in the Transformer Era [59.279784235147254]
  この調査は、Recurrenceの統一の傘の下に構築されたこれらのトレンドの概要を提供することを目的としている。 長いシーケンスを処理するという考え方を捨てる際に顕著になる新しい研究機会を強調している。
  論文  参考訳（メタデータ） (2024-02-12T23:55:55Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• Rail Crack Propagation Forecasting Using Multi-horizons RNNs [0.46040036610482665]
  レールひび割れ進展の予測は, 材料・構造物の維持・安全性評価において重要な役割を担っている。 伝統的な手法は、パリ法のような物理モデルや経験方程式に依存している。 近年,機械学習技術,特にリカレントニューラルネットワーク(RNN)が時系列予測の有望な手法として登場している。
  論文  参考訳（メタデータ） (2023-09-04T12:44:21Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• A Survey on Deep Learning based Time Series Analysis with Frequency Transformation [75.63783789488471]
  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)
• Temporal Saliency Detection Towards Explainable Transformer-based Timeseries Forecasting [3.046315755726937]
  本稿では、注意機構を基盤として、マルチ水平時系列予測に適用する効果的なアプローチであるTSD(Temporal Saliency Detection)を提案する。 TSD手法は, 多重ヘッドを凝縮することにより, 多分解能パターンの多分解能解析を容易にし, 複雑な時系列データの予測を段階的に向上させる。
  論文  参考訳（メタデータ） (2022-12-15T12:47:59Z)
• Temporal-Spatial dependencies ENhanced deep learning model (TSEN) for household leverage series forecasting [12.727583657383073]
  財務時系列予測のための正確な予測モデルのための時間的・空間的パターンの解析は困難である。 深層学習の応用に触発されて,中国における家庭のレバレッジ予測の課題を解決するための新しいモデルを提案する。 その結果,新たなアプローチは家庭の時間空間的ダイナミクスをうまく捉え,より正確で確実な予測結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-10-17T00:10:25Z)
• 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)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)
• 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)

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。