論文の概要: Beyond Fixed Variables: Expanding-variate Time Series Forecasting via Flat Scheme and Spatio-temporal Focal Learning

• arxiv url: http://arxiv.org/abs/2502.15296v1
• Date: Fri, 21 Feb 2025 08:43:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 16:10:43.296637
• Title: Beyond Fixed Variables: Expanding-variate Time Series Forecasting via Flat Scheme and Spatio-temporal Focal Learning
• Title（参考訳）: 固定変数を超えて:フラットスキームと時空間学習による拡張可変時系列予測
• Authors: Minbo Ma, Kai Tang, Huan Li, Fei Teng, Dalin Zhang, Tianrui Li,
• Abstract要約: 現実世界のアプリケーションでは、Cyber-Physical Systemsはしばしば新しいセンサーが登場するにつれて拡張され、MTSFの変数が増加する。 本課題は,(1)新しい変数の追加による不整合データ処理,(2)時間的不整合学習に対処する,というユニークな課題を提示する。 これらの課題に対処するため, フレキシブル時間予測フレームワークSTEVを提案する。
• 参考スコア（独自算出の注目度）: 9.205228068704141
• License:
• Abstract: Multivariate Time Series Forecasting (MTSF) has long been a key research focus. Traditionally, these studies assume a fixed number of variables, but in real-world applications, Cyber-Physical Systems often expand as new sensors are deployed, increasing variables in MTSF. In light of this, we introduce a novel task, Expanding-variate Time Series Forecasting (EVTSF). This task presents unique challenges, specifically (1) handling inconsistent data shapes caused by adding new variables, and (2) addressing imbalanced spatio-temporal learning, where expanding variables have limited observed data due to the necessity for timely operation. To address these challenges, we propose STEV, a flexible spatio-temporal forecasting framework. STEV includes a new Flat Scheme to tackle the inconsistent data shape issue, which extends the graph-based spatio-temporal modeling architecture into 1D space by flattening the 2D samples along the variable dimension, making the model variable-scale-agnostic while still preserving dynamic spatial correlations through a holistic graph. We introduce a novel Spatio-temporal Focal Learning strategy that incorporates a negative filter to resolve potential conflicts between contrastive learning and graph representation, and a focal contrastive loss as its core to guide the framework to focus on optimizing the expanding variables. We benchmark EVTSF performance using three real-world datasets and compare it against three potential solutions employing SOTA MTSF models tailored for EVSTF. Experimental results show that STEV significantly outperforms its competitors, particularly on expanding variables. Notably, STEV, with only 5% of observations from the expanding period, is on par with SOTA MTSF models trained with complete observations. Further exploration of various expanding strategies underscores the generalizability of STEV in real-world applications.
• Abstract（参考訳）: 多変量時系列予測(MTSF)は、長い間重要な研究課題であった。 伝統的に、これらの研究は一定の数の変数を仮定するが、現実の応用においては、サイバー物理システムは新しいセンサーが配備されるにつれて拡張され、MTSFでは変数が増加する。 これを踏まえ、我々はEVTSF(Expanding-variate Time Series Forecasting)という新しいタスクを導入する。 本課題は,(1)新しい変数の追加による不整合データ形状の扱い,(2)時間的操作の必要性から,変数の伸長が観測データに制限される不均衡な時相学習に対処する,というユニークな課題を提示する。 これらの課題に対処するため、フレキシブルな時空間予測フレームワークSTEVを提案する。 STEVには、グラフベースの時空間モデリングアーキテクチャを1次元空間に拡張する、一貫性のないデータ形状問題に取り組むための新しいフラットスキームが含まれている。 本稿では,相対的学習とグラフ表現の潜在的な対立を解決するための負のフィルタと,拡張する変数の最適化に焦点を合わせるための中心的コントラスト損失を取り入れた,新しい時空間学習戦略を提案する。 実世界の3つのデータセットを用いてEVTSF性能をベンチマークし、ESVTFに適したSOTA MTSFモデルを用いた3つの潜在的ソリューションと比較した。 実験の結果,STEVは,特に変数の拡大において,競争相手よりも著しく優れていた。 特に、STEVは拡大期からの観測のわずか5%しかなく、完全な観測で訓練されたSOTA MTSFモデルと同等である。 様々な拡張戦略のさらなる探索は、現実世界の応用におけるSTEVの一般化可能性を示している。

関連論文リスト

• ST-ReP: Learning Predictive Representations Efficiently for Spatial-Temporal Forecasting [7.637123047745445]
  自己監督的手法は空間的時間的表現の学習にますます適応している。 現在の値再構成と将来の値予測は、事前学習フレームワークに統合される。 予測能力を高めるために,マルチタイムスケール分析を自己監督的損失に組み込む。
  論文  参考訳（メタデータ） (2024-12-19T05:33:55Z)
• FlexTSF: A Universal Forecasting Model for Time Series with Variable Regularities [17.164913785452367]
  我々は,より優れた一般化を持ち,正規時間と不規則時間の両方をサポートする普遍時系列予測モデルFlexTSFを提案する。 12のデータセットの実験では、FlexTSFは、それぞれ通常の時系列と不規則時系列のために設計された最先端の予測モデルより優れていることが示されている。
  論文  参考訳（メタデータ） (2024-10-30T16:14:09Z)
• GinAR: An End-To-End Multivariate Time Series Forecasting Model Suitable for Variable Missing [21.980379175333443]
  本稿では,グラフ補間注意再帰ネットワーク(GinAR)を提案する。 GinARでは、2つの重要なコンポーネント、すなわち注意と適応グラフの畳み込みで構成されている。 5つの実世界のデータセットで実施された実験では、GinARは11のSOTAベースラインより優れており、90%の変数が欠落している場合でも、すべての変数の将来の値を正確に予測できる。
  論文  参考訳（メタデータ） (2024-05-18T16:42:44Z)
• Multi-Modality Spatio-Temporal Forecasting via Self-Supervised Learning [11.19088022423885]
  そこで本稿では,MoSSL を利用した新しい学習フレームワークを提案する。 2つの実世界のMOSTデータセットの結果は、最先端のベースラインと比較して、我々のアプローチの優位性を検証する。
  論文  参考訳（メタデータ） (2024-05-06T08:24:06Z)
• Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
  軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。 既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。 本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T17:18:57Z)
• 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)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
  野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。 本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
  論文  参考訳（メタデータ） (2022-09-01T10:46:09Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)

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。