論文の概要: A Comprehensive Survey of Deep Learning for Multivariate Time Series Forecasting: A Channel Strategy Perspective

• arxiv url: http://arxiv.org/abs/2502.10721v1
• Date: Sat, 15 Feb 2025 08:24:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:09:59.022792
• Title: A Comprehensive Survey of Deep Learning for Multivariate Time Series Forecasting: A Channel Strategy Perspective
• Title（参考訳）: 多変量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:チャネル戦略の展望
• Authors: Xiangfei Qiu, Hanyin Cheng, Xingjian Wu, Jilin Hu, Chenjuan Guo,
• Abstract要約: 本研究では,時系列のチャネルモデリング戦略を体系的にレビューする。 本稿では,戦略的視点,メカニズム的視点,特徴的視点という,3つの階層的なレベルに分けられた分類法を提案する。
• 参考スコア（独自算出の注目度）: 9.838952640011938
• License:
• Abstract: Multivariate Time Series Forecasting (MTSF) plays a crucial role across diverse fields, ranging from economic, energy, to traffic. In recent years, deep learning has demonstrated outstanding performance in MTSF tasks. In MTSF, modeling the correlations among different channels is critical, as leveraging information from other related channels can significantly improve the prediction accuracy of a specific channel. This study systematically reviews the channel modeling strategies for time series and proposes a taxonomy organized into three hierarchical levels: the strategy perspective, the mechanism perspective, and the characteristic perspective. On this basis, we provide a structured analysis of these methods and conduct an in-depth examination of the advantages and limitations of different channel strategies. Finally, we summarize and discuss some future research directions to provide useful research guidance. Moreover, we maintain an up-to-date Github repository (https://github.com/decisionintelligence/CS4TS) which includes all the papers discussed in the survey.
• Abstract（参考訳）: 多変量時系列予測(MTSF)は、経済、エネルギー、交通など様々な分野において重要な役割を果たしている。 近年,深層学習はMTSFタスクにおいて卓越した性能を示した。 MTSFでは,異なるチャネル間の相関関係をモデル化することが重要である。 本研究は,時系列のチャネルモデリング戦略を体系的にレビューし,戦略的視点,メカニズム的視点,特徴的視点という3つの階層的なレベルに分けられた分類法を提案する。 そこで本研究では,これらの手法の構造化解析を行い,異なるチャネル戦略の利点と限界を詳細に検討する。 最後に,今後の研究方針をまとめ,議論し,有用な研究指針を提供する。 さらに、調査で議論されたすべての論文を含む最新のGithubリポジトリ(https://github.com/decisionintelligence/CS4TS)も維持しています。

関連論文リスト

• TimeCHEAT: A Channel Harmony Strategy for Irregularly Sampled Multivariate Time Series Analysis [45.34420094525063]
  チャネル非依存(CI)とチャネル依存(CD)戦略は、ローカルおよびグローバルに適用することができる。 本稿では,Channel Harmony ISMTS Transformer(TimeCHEAT)を紹介する。 グローバルに、CI戦略はパッチを越えて適用され、Transformerは各チャネルの個別の注意パターンを学ぶことができる。 実験の結果,提案するTimeCHEATは,3つのメインストリームタスクにまたがる競合SOTA性能を示すことがわかった。
  論文  参考訳（メタデータ） (2024-12-17T13:10:02Z)
• 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)
• Foundation Models for Time Series Analysis: A Tutorial and Survey [70.43311272903334]
  ファンデーションモデル(FM)は、時系列分析のためのモデル設計のパラダイムを根本的に変えてきた。 本調査は,時系列解析のためのFMの概要を包括的かつ最新のものにすることを目的としている。
  論文  参考訳（メタデータ） (2024-03-21T10:08:37Z)
• MCformer: Multivariate Time Series Forecasting with Mixed-Channels Transformer [8.329947472853029]
  Channel Independence(CI)戦略は、すべてのチャネルを単一のチャネルとして扱い、データセットを拡張する。 Mixed Channels戦略は、CI戦略のデータ拡張アドバンテージと、チャネル間の相関を忘れないように対処する機能を組み合わせたものだ。 モデルは特定の数のチャネルをブレンドし、チャネル間の相関情報を効果的に取得するための注意機構を活用する。
  論文  参考訳（メタデータ） (2024-03-14T09:43:07Z)
• Deep Learning for Multivariate Time Series Imputation: A Survey [34.31414745076129]
  欠落した値は時系列データでユビキタスであり、正確な分析とダウンストリームアプリケーションのための課題を提起する。 深層学習に基づく手法は、複雑な時間的依存関係と学習データ分散を活用することで、欠落データを扱うことに成功した。 本稿では,既存の手法を2つの重要な観点から分類する新しい分類法を提案する。
  論文  参考訳（メタデータ） (2024-02-06T15:03:53Z)
• Towards Better Chain-of-Thought Prompting Strategies: A Survey [60.75420407216108]
  CoT(Chain-of-Thought)は,大規模言語モデル(LLM)の促進戦略として使用すると,その印象的な強度を示す。 近年,CoTの促進効果が注目されている。 この調査は、関連する研究全般の参考になるかもしれない。
  論文  参考訳（メタデータ） (2023-10-08T01:16:55Z)
• 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)
• A Survey on Deep Learning based Time Series Analysis with Frequency Transformation [74.3919960186696]
  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)
• Efficient Modelling Across Time of Human Actions and Interactions [92.39082696657874]
  3つの畳み込みニューラルネットワーク(CNND)における現在の固定サイズの時間的カーネルは、入力の時間的変動に対処するために改善できると主張している。 我々は、アーキテクチャの異なるレイヤにまたがる機能の違いを強化することで、アクションのクラス間でどのようにうまく対処できるかを研究する。 提案手法は、いくつかのベンチマークアクション認識データセットで評価され、競合する結果を示す。
  論文  参考訳（メタデータ） (2021-10-05T15:39:11Z)
• Deep Learning for Road Traffic Forecasting: Does it Make a Difference? [6.220008946076208]
  本稿では,このITS研究領域におけるDeep Learningの活用に言及した技術の現状を批判的に分析することに焦点を当てる。 後続の批判分析は、交通予測のためのディープラーニングの問題について、質問を定式化し、必要な議論を引き起こす。
  論文  参考訳（メタデータ） (2020-12-02T15:56:11Z)

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。