論文の概要: FilterTS: Comprehensive Frequency Filtering for Multivariate Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2505.04158v1
- Date: Wed, 07 May 2025 06:19:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-08 19:07:35.98697
- Title: FilterTS: Comprehensive Frequency Filtering for Multivariate Time Series Forecasting
- Title（参考訳）: FilterTS: 多変量時系列予測のための総合周波数フィルタ
- Authors: Yulong Wang, Yushuo Liu, Xiaoyi Duan, Kai Wang,
- Abstract要約: FilterTSは、周波数領域に基づいた特殊なフィルタリング技術を利用する新しい予測モデルである。
FilterTSは予測精度と計算効率の点で既存の手法よりも優れている。
- 参考スコア（独自算出の注目度）: 13.7064358833964
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multivariate time series forecasting is crucial across various industries, where accurate extraction of complex periodic and trend components can significantly enhance prediction performance. However, existing models often struggle to capture these intricate patterns. To address these challenges, we propose FilterTS, a novel forecasting model that utilizes specialized filtering techniques based on the frequency domain. FilterTS introduces a Dynamic Cross-Variable Filtering Module, a key innovation that dynamically leverages other variables as filters to extract and reinforce shared variable frequency components across variables in multivariate time series. Additionally, a Static Global Filtering Module captures stable frequency components, identified throughout the entire training set. Moreover, the model is built in the frequency domain, converting time-domain convolutions into frequency-domain multiplicative operations to enhance computational efficiency. Extensive experimental results on eight real-world datasets have demonstrated that FilterTS significantly outperforms existing methods in terms of prediction accuracy and computational efficiency.
- Abstract（参考訳）: 多変量時系列予測は、複雑な周期成分とトレンド成分の正確な抽出が予測性能を大幅に向上させる様々な産業において重要である。
しかし、既存のモデルは複雑なパターンを捉えるのに苦労することが多い。
これらの課題に対処するために、周波数領域に基づく特殊なフィルタリング技術を利用した新しい予測モデルであるFilterTSを提案する。
FilterTSは動的クロス変数フィルタモジュール(Dynamic Cross-Variable Filtering Module)を導入している。これは、他の変数をフィルタとして動的に活用し、多変量時系列の変数間で共有変数の周波数成分を抽出し、強化する重要なイノベーションである。
さらに、静的グローバルフィルタリングモジュールは、トレーニングセット全体を通して識別される安定した周波数コンポーネントをキャプチャする。
さらに、このモデルは周波数領域内に構築され、時間領域の畳み込みを周波数領域乗算演算に変換し、計算効率を向上させる。
8つの実世界のデータセットに対する大規模な実験結果から、FilterTSは予測精度と計算効率の点で既存の手法を大幅に上回っていることが示されている。
関連論文リスト
- Filtering with Time-frequency Analysis: An Adaptive and Lightweight Model for Sequential Recommender Systems Based on Discrete Wavelet Transform [0.8246494848934447]
ユーザの興味を異なる周波数と時間で複数の信号に分解し、これらの信号の重みを自動的に学習するDWT方式の適応時間周波数フィルタを設計する。
また,適応時間周波数フィルタに基づく逐次レコメンデーションモデルDWTRecを開発した。
実験により,各領域,空間レベル,平均シーケンス長の異なるデータセットにおいて,我々のモデルが最先端のベースラインモデルより優れていることが示された。
論文 参考訳（メタデータ） (2025-03-30T13:28:42Z) - 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) - FreqMoE: Enhancing Time Series Forecasting through Frequency Decomposition Mixture of Experts [14.01018670507771]
本稿では,時系列データを周波数帯域に分解する周波数分解混合(FreqMoE)モデルを提案する。
ゲーティング機構は、周波数特性に基づいて専門家の各出力の重要度を調整する。
FreqMoEは最先端のモデルよりも優れています。
論文 参考訳（メタデータ） (2025-01-25T08:25:52Z) - FilterNet: Harnessing Frequency Filters for Time Series Forecasting [34.83702192033196]
FilterNetは、時系列信号の特定の成分を選択的に通過または減衰させることにより、重要な情報的時間パターンを抽出するために、我々の提案した学習可能な周波数フィルタ上に構築されている。
2つのフィルタを備えることで、FilterNetは、時系列文学で広く採用されている線形およびアテンションマッピングを概ねサロゲートすることができる。
論文 参考訳（メタデータ） (2024-11-03T16:20:41Z) - Omni-Dimensional Frequency Learner for General Time Series Analysis [12.473862872616998]
スペクトル特徴の3つの側面の奥行き解析に基づいて,Omni-dimensional Frequency Learner (ODFL) モデルを提案する。
本手法は,非定常周波数帯域に着目した意味適応型大域的フィルタとチャネル次元間の部分演算からなる。
ODFLは、短期および長期予測、計算、分類、異常検出を含む5つの主流時系列分析タスクにおいて、一貫した最先端を達成している。
論文 参考訳（メタデータ） (2024-07-15T03:48:16Z) - ATFNet: Adaptive Time-Frequency Ensembled Network for Long-term Time Series Forecasting [7.694820760102176]
ATFNetは、時間ドメインモジュールと周波数ドメインモジュールを組み合わせた革新的なフレームワークである。
本稿では,2つのモジュール間の重み調整機構であるドミナント・ハーモニック・シリーズ・エナジー・ウェイトリングを紹介する。
我々の複素数値スペクトル注意機構は、異なる周波数の組み合わせ間の複雑な関係を識別するための新しいアプローチを提供する。
論文 参考訳（メタデータ） (2024-04-08T04:41:39Z) - Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。
Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。
Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-02-04T20:00:45Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳（メタデータ） (2022-11-26T01:56:05Z) - Dynamic Temporal Filtering in Video Models [128.02725199486719]
時間的特徴学習の新しいレシピである動的時間フィルタ(DTF)を提案する。
DTFは、その長距離時間ダイナミクスをモデル化するために、空間的位置ごとに特別な周波数フィルタを学習する。
DTFブロックをConvNetsとTransformerにプラグインすることで、DTF-NetとDTF-Transformerが得られる。
論文 参考訳（メタデータ） (2022-11-15T15:59:28Z) - FAMLP: A Frequency-Aware MLP-Like Architecture For Domain Generalization [73.41395947275473]
本稿では、変換周波数領域において、ドメイン固有の特徴をフィルタリングする新しい周波数認識アーキテクチャを提案する。
3つのベンチマークの実験では、最先端の手法をそれぞれ3%、4%、9%のマージンで上回った。
論文 参考訳（メタデータ） (2022-03-24T07:26:29Z) - Deep Frequency Filtering for Domain Generalization [55.66498461438285]
Deep Neural Networks(DNN)は、学習プロセスにおいて、いくつかの周波数成分を優先する。
本稿では、ドメイン一般化可能な特徴を学習するためのDeep Frequency Filtering (DFF)を提案する。
提案したDFFをベースラインに適用すると,ドメインの一般化タスクにおける最先端の手法よりも優れることを示す。
論文 参考訳（メタデータ） (2022-03-23T05:19:06Z) - Deep Autoregressive Models with Spectral Attention [74.08846528440024]
本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。
時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。
時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
論文 参考訳（メタデータ） (2021-07-13T11:08:47Z)
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。