論文の概要: Data Driven Decision Making with Time Series and Spatio-temporal Data
- arxiv url: http://arxiv.org/abs/2503.08473v2
- Date: Sat, 15 Mar 2025 03:44:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-18 12:36:17.407925
- Title: Data Driven Decision Making with Time Series and Spatio-temporal Data
- Title（参考訳）: 時系列と時空間データを用いたデータ駆動決定
- Authors: Bin Yang, Yuxuan Liang, Chenjuan Guo, Christian S. Jensen,
- Abstract要約: このチュートリアルは「データ分析-決定」の全体的パラダイムに焦点を当てている。
まず時系列と時空間データの基礎を紹介する。
次に,データ品質の向上を目的としたデータガバナンス手法について議論する。
- 参考スコア（独自算出の注目度）: 32.3883180161677
- License:
- Abstract: Time series data captures properties that change over time. Such data occurs widely, ranging from the scientific and medical domains to the industrial and environmental domains. When the properties in time series exhibit spatial variations, we often call the data spatio-temporal. As part of the continued digitalization of processes throughout society, increasingly large volumes of time series and spatio-temporal data are available. In this tutorial, we focus on data-driven decision making with such data, e.g., enabling greener and more efficient transportation based on traffic time series forecasting. The tutorial adopts the holistic paradigm of "data-governance-analytics-decision." We first introduce the data foundation of time series and spatio-temporal data, which is often heterogeneous. Next, we discuss data governance methods that aim to improve data quality. We then cover data analytics, focusing on five desired characteristics: automation, robustness, generality, explainability, and resource efficiency. We finally cover data-driven decision making strategies and briefly discuss promising research directions. We hope that the tutorial will serve as a primary resource for researchers and practitioners who are interested in value creation from time series and spatio-temporal data.
- Abstract（参考訳）: 時系列データは、時間とともに変化するプロパティをキャプチャする。
このようなデータは、科学的・医学的な領域から産業的・環境的な領域まで幅広く発生する。
時系列のプロパティが空間的変動を示す場合、しばしばデータ時空間を時空間と呼ぶ。
社会全体でのプロセスのデジタル化の継続の一環として、膨大な時系列と時空間データも利用可能になっている。
本チュートリアルでは,交通時系列の予測に基づいて,よりグリーンで効率的な輸送を可能にするようなデータを用いたデータ駆動意思決定に焦点を当てる。
このチュートリアルは、"data-governance-analytics-decision"という全体的パラダイムを採用している。
まず,時系列データと時空間データについて紹介する。
次に,データ品質の向上を目的としたデータガバナンス手法について議論する。
次に、自動化、堅牢性、汎用性、説明可能性、リソース効率の5つの望ましい特徴に注目して、データ分析をカバーします。
最終的に、データ駆動意思決定戦略を取り上げ、将来有望な研究方向性について論じる。
時系列や時空間データから価値を生み出すことに興味を持つ研究者や実践者にとって,このチュートリアルが重要な情報源になることを願っている。
関連論文リスト
- Learning Latent Spaces for Domain Generalization in Time Series Forecasting [60.29403194508811]
時系列予測は多くの実世界のアプリケーションにおいて不可欠であるが、見つからない関連ドメインをうまく一般化するモデルの開発はまだ未定である。
本稿では,ドメイン間の時間的依存関係を規定する潜在因子をマイニングすることで時系列予測におけるドメイン一般化の枠組みを提案する。
提案手法では,新しい条件付き$beta$-Variational Autoencoder (VAE) を用いて,時系列データをトレンド周期および季節成分に分解する。
論文 参考訳（メタデータ） (2024-12-15T12:41:53Z) - Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。
既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。
本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文 参考訳（メタデータ） (2024-11-24T04:56:45Z) - ST-DPGAN: A Privacy-preserving Framework for Spatiotemporal Data Generation [19.18074489351738]
プライバシー保護データを生成するグラフモデルを提案する。
3つの実時間データセットを用いて実験を行い,本モデルの有効性を検証した。
生成されたデータに基づいてトレーニングされた予測モデルは、元のデータでトレーニングされたモデルと比較して、競争力のあるエッジを維持している。
論文 参考訳（メタデータ） (2024-06-04T04:43:54Z) - 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) - Review of Data-centric Time Series Analysis from Sample, Feature, and Period [37.33135447969283]
優れた時系列データセットは、モデルの正確性、堅牢性、収束性に有利である。
データ中心AIの出現は、モデルの改良からデータ品質の優先順位付けへの展望の変化を表している。
時系列分析において,様々なデータ中心の手法を体系的に検討し,幅広い研究トピックを取り上げている。
論文 参考訳（メタデータ） (2024-04-24T00:34:44Z) - Large Models for Time Series and Spatio-Temporal Data: A Survey and
Outlook [95.32949323258251]
時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。
大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
論文 参考訳（メタデータ） (2023-10-16T09:06:00Z) - Pushing the Limits of Pre-training for Time Series Forecasting in the
CloudOps Domain [54.67888148566323]
クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。
強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。
これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
論文 参考訳（メタデータ） (2023-10-08T08:09:51Z) - Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。
我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。
ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
論文 参考訳（メタデータ） (2021-10-11T13:33:18Z) - Deep learning for time series classification [2.0305676256390934]
時系列分析により、時間の経過とともにプロセスの進化を可視化し、理解することができます。
時系列分類は時系列データを自動的にラベル付けするアルゴリズムで構成されている。
ディープラーニングは、教師付き分類タスクに対処する最も効果的な方法の1つとして登場した。
論文 参考訳（メタデータ） (2020-10-01T17:38:40Z) - Spatiotemporal data analysis with chronological networks [4.7842701621852655]
時間的データ分析のためのネットワークベースモデルである It chronnet を提案する。
このモデルの主な目的は、ネットワークに強いリンクを持つセル間で連続的なリカレントイベントを表現することである。
本稿では,人工的および実データ集合を考慮したモデルの利用方法について述べる。
論文 参考訳（メタデータ） (2020-04-23T22:50:43Z)
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。