論文の概要: MTS-UNMixers: Multivariate Time Series Forecasting via Channel-Time Dual Unmixing

• arxiv url: http://arxiv.org/abs/2411.17770v1
• Date: Tue, 26 Nov 2024 08:23:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 15:26:01.020357
• Title: MTS-UNMixers: Multivariate Time Series Forecasting via Channel-Time Dual Unmixing
• Title（参考訳）: MTS-UNMixers:Channel-Time Dual Unmixingによる多変量時系列予測
• Authors: Xuanbing Zhu, Dunbin Shen, Zhongwen Rao, Huiyi Ma, Yingguang Hao, Hongyu Wang,
• Abstract要約: 時系列予測(MTS-UNMixer)のためのチャネル時間二元混合ネットワークを提案する。 MTS-UNMixersは、全系列を時間次元とチャネル次元の両方にわたって臨界基底と係数に分解する。 MTS-UNMixers は,複数のベンチマークデータセットにおいて既存手法よりも有意に優れていた。
• 参考スコア（独自算出の注目度）: 3.192685534395382
• License:
• Abstract: Multivariate time series data provide a robust framework for future predictions by leveraging information across multiple dimensions, ensuring broad applicability in practical scenarios. However, their high dimensionality and mixing patterns pose significant challenges in establishing an interpretable and explicit mapping between historical and future series, as well as extracting long-range feature dependencies. To address these challenges, we propose a channel-time dual unmixing network for multivariate time series forecasting (named MTS-UNMixer), which decomposes the entire series into critical bases and coefficients across both the time and channel dimensions. This approach establishes a robust sharing mechanism between historical and future series, enabling accurate representation and enhancing physical interpretability. Specifically, MTS-UNMixers represent sequences over time as a mixture of multiple trends and cycles, with the time-correlated representation coefficients shared across both historical and future time periods. In contrast, sequence over channels can be decomposed into multiple tick-wise bases, which characterize the channel correlations and are shared across the whole series. To estimate the shared time-dependent coefficients, a vanilla Mamba network is employed, leveraging its alignment with directional causality. Conversely, a bidirectional Mamba network is utilized to model the shared channel-correlated bases, accommodating noncausal relationships. Experimental results show that MTS-UNMixers significantly outperform existing methods on multiple benchmark datasets. The code is available at https://github.com/ZHU-0108/MTS-UNMixers.
• Abstract（参考訳）: 多変量時系列データは、複数の次元にまたがる情報を活用することによって、将来の予測のための堅牢なフレームワークを提供する。 しかし、それらの高次元と混合パターンは、歴史的および将来のシリーズ間の解釈可能で明示的なマッピングを確立することや、長距離の特徴的依存関係を抽出することにおいて大きな課題を生じさせる。 これらの課題に対処するため,マルチ変数時系列予測(MTS-UNMixer)のためのチャネル時二重アンミックスネットワークを提案する。 このアプローチは、歴史的および将来のシリーズ間の堅牢な共有機構を確立し、正確な表現を可能にし、物理的解釈可能性を高める。 具体的には、MTS-UNMixersは、時系列を複数のトレンドとサイクルの混合として表現し、時間関連表現係数は、歴史と未来の両方の期間で共有される。 対照的に、チャネル上のシーケンスは複数のTick-wiseベースに分解することができ、チャネルの相関を特徴付け、シリーズ全体にわたって共有される。 共有時間依存係数を推定するために、バニラ・マンバネットワークを用い、方向因果関係との整合性を活用している。 逆に、双方向のマンバネットワークを用いて、共有チャネル関連ベースをモデル化し、非因果関係を調節する。 実験の結果,MTS-UNMixersは,複数のベンチマークデータセットにおいて既存手法よりも有意に優れていた。 コードはhttps://github.com/ZHU-0108/MTS-UNMixersで入手できる。

関連論文リスト

• DUET: Dual Clustering Enhanced Multivariate Time Series Forecasting [13.05900224897486]
  実世界の時系列は、時間とともに分布の変化によって引き起こされる異質な時間パターンを示すことが多い。 チャネル間の相関は複雑で絡み合っており、チャネル間の相互作用を正確にかつ柔軟にモデル化することは困難である。 本稿では,時空間とチャネル次元に2つのクラスタリングを導入するDUETというフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-14T15:15:17Z)
• xLSTM-Mixer: Multivariate Time Series Forecasting by Mixing via Scalar Memories [20.773694998061707]
  時系列データは様々な分野に分散しており、堅牢で正確な予測モデルの開発が必要である。 我々は,時間的シーケンス,共同時間可変情報,堅牢な予測のための複数の視点を効果的に統合するモデルであるxLSTM-Mixerを紹介する。 我々は,最近の最先端手法と比較して,xLSTM-Mixerの長期予測性能が優れていることを示した。
  論文  参考訳（メタデータ） (2024-10-22T11:59:36Z)
• 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)
• TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting [19.88184356154215]
  時系列予測は、交通計画や天気予報などのアプリケーションで広く使われている。 TimeMixerは、長期および短期の予測タスクにおいて、一貫した最先端のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2024-05-23T14:27:07Z)
• CVTN: Cross Variable and Temporal Integration for Time Series Forecasting [5.58591579080467]
  本稿では,時系列予測を歴史的シーケンスと予測シーケンスの学習に分解する。 時系列予測を2つのフェーズに分割する: 歴史的シーケンスからフェアチャーを効果的にマイニングするクロス変数学習と、予測シーケンスの時間的依存関係をキャプチャするクロスタイム学習である。
  論文  参考訳（メタデータ） (2024-04-29T14:16:16Z)
• SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion [59.96233305733875]
  時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。 いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。 本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
  論文  参考訳（メタデータ） (2024-04-22T14:06:35Z)
• 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)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• The Capacity and Robustness Trade-off: Revisiting the Channel Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
  本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。 以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。 本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:15:33Z)
• 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)
• 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)

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。