論文の概要: S4M: S4 for multivariate time series forecasting with Missing values

• arxiv url: http://arxiv.org/abs/2503.00900v1
• Date: Sun, 02 Mar 2025 13:59:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:23:05.035446
• Title: S4M: S4 for multivariate time series forecasting with Missing values
• Title（参考訳）: S4M: 欠測値を用いた多変量時系列予測のためのS4M
• Authors: Jing Peng, Meiqi Yang, Qiong Zhang, Xiaoxiao Li,
• Abstract要約: 時系列データは、幅広い現実世界のアプリケーションにおいて重要な役割を果たす。 従来の2段階のアプローチは、最初は欠落した値を入力し、次に予測するが、エラーの蓄積が難しくなる。 S4Mは、欠落したデータ処理を構造化状態空間シーケンスモデルアーキテクチャにシームレスに統合する、エンドツーエンドの時系列予測フレームワークである。
• 参考スコア（独自算出の注目度）: 30.547886613423994
• License:
• Abstract: Multivariate time series data play a pivotal role in a wide range of real-world applications. However, the presence of block missing data introduces significant challenges, often compromising the performance of predictive models. Traditional two-step approaches, which first impute missing values and then perform forecasting, are prone to error accumulation, particularly in complex multivariate settings characterized by high missing ratios and intricate dependency structures. In this work, we introduce S4M, an end-to-end time series forecasting framework that seamlessly integrates missing data handling into the Structured State Space Sequence (S4) model architecture. Unlike conventional methods that treat imputation as a separate preprocessing step, S4M leverages the latent space of S4 models to directly recognize and represent missing data patterns, thereby more effectively capturing the underlying temporal and multivariate dependencies. Our framework comprises two key components: the Adaptive Temporal Prototype Mapper (ATPM) and the Missing-Aware Dual Stream S4 (MDS-S4). The ATPM employs a prototype bank to derive robust and informative representations from historical data patterns, while the MDS-S4 processes these representations alongside missingness masks as dual input streams to enable accurate forecasting. Through extensive empirical evaluations on diverse real-world datasets, we demonstrate that S4M consistently achieves state-of-the-art performance. These results underscore the efficacy of our integrated approach in handling missing data, showcasing its robustness and superiority over traditional imputation-based methods. Our findings highlight the potential of S4M to advance reliable time series forecasting in practical applications, offering a promising direction for future research and deployment. Code is available at https://github.com/WINTERWEEL/S4M.git.
• Abstract（参考訳）: 多変量時系列データは、幅広い現実世界のアプリケーションにおいて重要な役割を果たす。 しかし、ブロックが欠落しているデータの存在は、しばしば予測モデルの性能を損なう、重大な問題を引き起こす。 従来の2段階のアプローチは、最初は欠落した値をインプットし、次に予測を行うが、特に高い欠落率と複雑な依存構造を特徴とする複雑な多変量設定では、エラーの蓄積が難しくなる。 本稿では,S4Mについて述べる。S4Mは,データ処理の欠如を構造化状態空間シーケンス(Structured State Space Sequence, S4)モデルアーキテクチャにシームレスに統合する,エンドツーエンドの時系列予測フレームワークである。 命令処理を別の前処理ステップとして扱う従来の方法とは異なり、S4MはS4モデルの潜伏空間を利用して、欠落したデータパターンを直接認識し、表現し、基礎となる時間的および多変量依存をより効果的にキャプチャする。 本フレームワークは,Adaptive Temporal Prototype Mapper (ATPM) とMissing-Aware Dual Stream S4 (MDS-S4) の2つの重要なコンポーネントから構成される。 ATPMは、歴史的データパターンから堅牢で情報的な表現を導き出すためにプロトタイプバンクを使用し、MDS-S4は、これらの表現を二重入力ストリームとして欠落マスクと共に処理し、正確な予測を可能にする。 多様な実世界のデータセットに対する広範な経験的評価を通じて、S4Mが一貫して最先端のパフォーマンスを達成できることを実証する。 これらの結果は,従来の計算法よりも頑健さと優越性を示すとともに,欠落データ処理における統合的アプローチの有効性を裏付けるものである。 本研究は,S4Mが信頼性のある時系列予測を実用化する可能性を強調し,今後の研究・展開に向けて有望な方向性を示すものである。 コードはhttps://github.com/WINTERWEEL/S4M.gitで入手できる。

関連論文リスト

• DeformTime: Capturing Variable Dependencies with Deformable Attention for Time Series Forecasting [0.34530027457862006]
  入力空間から相関時間パターンを捕捉しようとするニューラルネットワークアーキテクチャであるDeformTimeを提案する。 これまでに確立されたベンチマークを用いて,6つのMTSデータセットに関する広範な実験を行った。 その結果,DeformTimeはMSS予測タスクの大部分にわたる従来の競合手法と比較して精度が向上することがわかった。
  論文  参考訳（メタデータ） (2024-06-11T16:45:48Z)
• UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
  フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。 提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
  論文  参考訳（メタデータ） (2024-06-07T14:39:28Z)
• Sports-Traj: A Unified Trajectory Generation Model for Multi-Agent Movement in Sports [53.637837706712794]
  任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。 具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを紹介する。 バスケットボールU,サッカーU,サッカーUの3つの実践的スポーツデータセットをベンチマークして評価を行った。
  論文  参考訳（メタデータ） (2024-05-27T22:15:23Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Deep Latent State Space Models for Time-Series Generation [68.45746489575032]
  状態空間ODEに従って進化する潜伏変数を持つ列の生成モデルLS4を提案する。 近年の深層状態空間モデル(S4)に着想を得て,LS4の畳み込み表現を利用して高速化を実現する。 LS4は, 実世界のデータセット上での限界分布, 分類, 予測スコアにおいて, 従来の連続時間生成モデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2022-12-24T15:17:42Z)
• Liquid Structural State-Space Models [106.74783377913433]
  Liquid-S4はLong-Range Arenaベンチマークで平均87.32%の性能を達成した。 全生音声コマンド認識では、データセットLiquid-S4は96.78%の精度で、S4と比較してパラメータ数が30%減少している。
  論文  参考訳（メタデータ） (2022-09-26T18:37:13Z)
• Diffusion-based Time Series Imputation and Forecasting with Structured State Space Models [2.299617836036273]
  我々は、条件拡散モデルと構造化状態空間モデルという2つの新興技術に依存した計算モデルであるSSSDを提唱した。 我々は、SSSDが最先端の確率的計算値と一致し、幅広いデータセットと異なる欠点シナリオで性能を予測できることを実証する。
  論文  参考訳（メタデータ） (2022-08-19T15:29:43Z)
• Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing Things [82.15959827765325]
  環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。 我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。 我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
  論文  参考訳（メタデータ） (2022-07-14T10:04:18Z)
• Deep Direct Discriminative Decoders for High-dimensional Time-series Data Analysis [0.0]
  状態空間モデル(SSM)は時系列データの解析に広く利用されている。 本研究では,高次元観察プロセスにおけるSSMの新しい定式化を提案する。 我々は,高次元観測信号を用いて基礎となる状態過程を効率的に推定する新しいソリューションを構築した。
  論文  参考訳（メタデータ） (2022-05-22T22:44:41Z)
• Missing Value Imputation on Multidimensional Time Series [16.709162372224355]
  本稿では,多次元時系列データセットにおける深層学習手法DeepMVIを提案する。 DeepMVIは、時系列に沿った細粒度と粗粒度パターンと、カテゴリ次元にわたる関連するシリーズのトレンドを組み合わせる。 実験の結果、DeepMVIの精度は著しく向上し、半数以上のケースで50%以上のエラーが削減された。
  論文  参考訳（メタデータ） (2021-03-02T09:55:05Z)

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。