論文の概要: Unlocking the Potential of Linear Networks for Irregular Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2505.00590v1
• Date: Thu, 01 May 2025 15:24:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:55.35075
• Title: Unlocking the Potential of Linear Networks for Irregular Multivariate Time Series Forecasting
• Title（参考訳）: 不規則な多変量時系列予測のための線形ネットワークの可能性の解錠
• Authors: Chengsen Wang, Qi Qi, Jingyu Wang, Haifeng Sun, Zirui Zhuang, Jianxin Liao,
• Abstract要約: 時系列予測は、金融、交通、エネルギー、医療、気候など様々な産業において重要な意味を持つ。 本稿では,時系列内不整合に対応するために,観測時刻に応じて動的に重みを調整できる適応線形ネットワークを提案する。 4つのベンチマークデータセットにわたる総合的な実験は、AITの優位性を実証し、予測精度を11%改善し、既存の最先端手法と比較してランタイムを52%削減した。
• 参考スコア（独自算出の注目度）: 24.802227163932322
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting holds significant importance across various industries, including finance, transportation, energy, healthcare, and climate. Despite the widespread use of linear networks due to their low computational cost and effectiveness in modeling temporal dependencies, most existing research has concentrated on regularly sampled and fully observed multivariate time series. However, in practice, we frequently encounter irregular multivariate time series characterized by variable sampling intervals and missing values. The inherent intra-series inconsistency and inter-series asynchrony in such data hinder effective modeling and forecasting with traditional linear networks relying on static weights. To tackle these challenges, this paper introduces a novel model named AiT. AiT utilizes an adaptive linear network capable of dynamically adjusting weights according to observation time points to address intra-series inconsistency, thereby enhancing the accuracy of temporal dependencies modeling. Furthermore, by incorporating the Transformer module on variable semantics embeddings, AiT efficiently captures variable correlations, avoiding the challenge of inter-series asynchrony. Comprehensive experiments across four benchmark datasets demonstrate the superiority of AiT, improving prediction accuracy by 11% and decreasing runtime by 52% compared to existing state-of-the-art methods.
• Abstract（参考訳）: 時系列予測は、金融、交通、エネルギー、医療、気候など様々な産業において重要な意味を持つ。 線形ネットワークは計算コストが低く、時間的依存をモデル化する効果があるため広く利用されているが、既存の研究の多くは定期的にサンプリングされ、完全に観察される多変量時系列に集中している。 しかし、実際には、変数のサンプリング間隔と欠落した値によって特徴付けられる不規則な多変量時系列に頻繁に遭遇する。 このようなデータにおける系列内不整合と系列間非同期は、静的重みに依存する従来の線形ネットワークによる効果的なモデリングと予測を妨げている。 これらの課題に対処するために,AiTという新しいモデルを提案する。 AiTは、観測時刻に応じて重みを動的に調整できる適応線形ネットワークを用いて、系列内不整合に対処し、時間依存性モデリングの精度を高める。 さらに、Transformerモジュールを変数セマンティクスの埋め込みに組み込むことで、AiTは変数相関を効率的にキャプチャし、シリーズ間非同期の課題を回避する。 4つのベンチマークデータセットにわたる総合的な実験は、AITの優位性を実証し、予測精度を11%改善し、既存の最先端手法と比較してランタイムを52%削減した。

関連論文リスト

• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• TimeCNN: Refining Cross-Variable Interaction on Time Point for Time Series Forecasting [44.04862924157323]
  トランスフォーマーベースのモデルは、クロスタイムとクロス変数の相互作用をモデル化する上で大きなポテンシャルを示す。 本稿では,時系列予測を強化するために,異種間相互作用を洗練するためのTimeCNNモデルを提案する。 12の実世界のデータセットで実施された大規模な実験は、TimeCNNが一貫して最先端のモデルを上回っていることを示している。
  論文  参考訳（メタデータ） (2024-10-07T09:16:58Z)
• 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)
• Spatiotemporal Covariance Neural Networks [10.855602842179621]
  本稿では,時系列のサンプル共分散行列を用いた関係学習モデルを導入し,データのモデル化に共同時間畳み込みを利用する。 我々は,STVNNが安定であり,時間的PCAに基づく手法よりも改善されていることを証明した。
  論文  参考訳（メタデータ） (2024-09-16T08:05:58Z)
• TimeDiT: General-purpose Diffusion Transformers for Time Series Foundation Model [11.281386703572842]
  TimeDiTは時間依存性学習と確率的サンプリングを組み合わせた拡散トランスフォーマーモデルである。 TimeDiTは、さまざまなタスクにわたるトレーニングと推論プロセスを調和させるために、統一的なマスキングメカニズムを採用している。 我々の体系的評価は、ゼロショット/ファインチューニングによる予測と計算という基本的なタスクにおいて、TimeDiTの有効性を示す。
  論文  参考訳（メタデータ） (2024-09-03T22:31:57Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• 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)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
  状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。 状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。 時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
  論文  参考訳（メタデータ） (2021-10-26T17:35:21Z)
• Multivariate Probabilistic Time Series Forecasting via Conditioned Normalizing Flows [8.859284959951204]
  時系列予測は科学的・工学的な問題の基本である。 深層学習法はこの問題に適している。 多くの実世界のデータセットにおける標準メトリクスの最先端よりも改善されていることを示す。
  論文  参考訳（メタデータ） (2020-02-14T16:16:51Z)

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。