論文の概要: Times2D: Multi-Period Decomposition and Derivative Mapping for General Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2504.00118v1
• Date: Mon, 31 Mar 2025 18:08:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:24:13.995532
• Title: Times2D: Multi-Period Decomposition and Derivative Mapping for General Time Series Forecasting
• Title（参考訳）: Times2D: 汎用時系列予測のためのマルチペリオド分解と導関数マッピング
• Authors: Reza Nematirad, Anil Pahwa, Balasubramaniam Natarajan,
• Abstract要約: 時系列予測は、エネルギー管理、交通計画、金融市場、気象学、医学などの分野において重要な応用である。 1次元時系列表現に依存する以前のモデルは、通常複雑な時間変動に苦しむ。 本研究では,1次元時系列を2次元空間に変換するTimes2D法を紹介する。
• 参考スコア（独自算出の注目度）: 0.6554326244334868
• License:
• Abstract: Time series forecasting is an important application in various domains such as energy management, traffic planning, financial markets, meteorology, and medicine. However, real-time series data often present intricate temporal variability and sharp fluctuations, which pose significant challenges for time series forecasting. Previous models that rely on 1D time series representations usually struggle with complex temporal variations. To address the limitations of 1D time series, this study introduces the Times2D method that transforms the 1D time series into 2D space. Times2D consists of three main parts: first, a Periodic Decomposition Block (PDB) that captures temporal variations within a period and between the same periods by converting the time series into a 2D tensor in the frequency domain. Second, the First and Second Derivative Heatmaps (FSDH) capture sharp changes and turning points, respectively. Finally, an Aggregation Forecasting Block (AFB) integrates the output tensors from PDB and FSDH for accurate forecasting. This 2D transformation enables the utilization of 2D convolutional operations to effectively capture long and short characteristics of the time series. Comprehensive experimental results across large-scale data in the literature demonstrate that the proposed Times2D model achieves state-of-the-art performance in both short-term and long-term forecasting. The code is available in this repository: https://github.com/Tims2D/Times2D.
• Abstract（参考訳）: 時系列予測は、エネルギー管理、交通計画、金融市場、気象学、医学などの分野において重要な応用である。 しかし、時系列データには複雑な時間変動と急激なゆらぎがあり、時系列予測には大きな課題が生じる。 1次元時系列表現に依存する以前のモデルは、通常複雑な時間変動に苦しむ。 本研究では,1次元時系列を2次元空間に変換するTimes2D法を提案する。 Times2Dは3つの主要な部分から構成される: まず、周期分解ブロック(PDB)は、周波数領域の時系列を2次元テンソルに変換することで、ある期間と同じ期間の時間変動をキャプチャする。 第二に、FSDH(Fond Derivative Heatmaps)とFSDH(Fond Derivative Heatmaps)はそれぞれ急激な変化と旋回点を捉えている。 最後に、Aggregation Forecasting Block(AFB)は、PDBとFSDHからの出力テンソルを統合して正確な予測を行う。 この2次元変換により、2次元畳み込み演算が時系列の長短の特徴を効果的に捉えることができる。 文献中の大規模データに対する総合的な実験結果から,提案したTimes2Dモデルは,短期および長期の予測において,最先端の性能を達成することが示された。 コードは、このリポジトリで入手できる。

関連論文リスト

• ArrivalNet: Predicting City-wide Bus/Tram Arrival Time with Two-dimensional Temporal Variation Modeling [10.788986436621364]
  バスと路面電車のための2次元時間変動に基づく多段階ATPであるtextitArrivalNetを提案する。 1次元の時間列を周期内および周期間変分に分解し、2次元テンソルに再キャストする。 異なる周波数で変換された2Dブロックは、コンピュータビジョンのバックボーンで効果的な学習を可能にする画像のような特徴表現を持つ。
  論文  参考訳（メタデータ） (2024-10-17T10:17:23Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Time Distributed Deep Learning models for Purely Exogenous Forecasting. Application to Water Table Depth Prediction using Weather Image Time Series [1.4436965372953483]
  グラナ・マイラ(IT)における水テーブル深度を予測するための2つの異なるディープラーニングモデルを提案する。 画像時系列を扱うために、どちらのモデルも最初のTime Distributed Convolutional Neural Network (TDC) で構成され、各ステップで利用可能な画像をベクトル表現にエンコードする。 TDC-LSTMはバイアスの低減に重点を置いており、TDC-UnPWaveNetは時間的ダイナミクスの最大化とKGEに重点を置いている。
  論文  参考訳（メタデータ） (2024-09-20T07:25:54Z)
• D2Vformer: A Flexible Time Series Prediction Model Based on Time Position Embedding [10.505132550106389]
  時間位置埋め込みは時間ステップの位置情報をキャプチャし、しばしば時系列モデルの予測能力を高める補助的な入力として機能する。 本稿では,予測シーケンスが入力シーケンスに隣接しないシナリオを扱うために,D2Vformerと呼ばれる新しいモデルを提案する。 D2Vformerは、固定長および可変長の予測タスクにおいて最先端のメソッドを超越する。
  論文  参考訳（メタデータ） (2024-09-17T09:39:37Z)
• Leveraging 2D Information for Long-term Time Series Forecasting with Vanilla Transformers [55.475142494272724]
  時系列予測は、様々な領域における複雑な力学の理解と予測に不可欠である。 GridTSTは、革新的な多方向性の注意を用いた2つのアプローチの利点を組み合わせたモデルである。 このモデルは、さまざまな現実世界のデータセットに対して、常に最先端のパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2024-05-22T16:41:21Z)
• 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)
• 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)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis [80.56913334060404]
  時系列解析は、天気予報、異常検出、行動認識などの応用において非常に重要である。 従来の手法では、1D時系列から直接これを達成しようと試みていた。 複雑な経時的変化を、複数の経時的変化と経時的変化に明らかにする。
  論文  参考訳（メタデータ） (2022-10-05T12:19:51Z)

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。