Fugu-MT 論文翻訳(概要): Accurate and Efficient Multivariate Time Series Forecasting via Offline Clustering

論文の概要: Accurate and Efficient Multivariate Time Series Forecasting via Offline Clustering

arxiv url: http://arxiv.org/abs/2505.05738v1
Date: Fri, 09 May 2025 02:34:06 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-12 20:40:10.129103
Title: Accurate and Efficient Multivariate Time Series Forecasting via Offline Clustering
Title（参考訳）: オフラインクラスタリングによる高精度かつ効率的な多変量時系列予測
Authors: Yiming Niu, Jinliang Deng, Lulu Zhang, Zimu Zhou, Yongxin Tong,
Abstract要約: セグメンツ(FOCUS)を用いたオフラインクラスタリングによるフォアキャスタの導入 FOCUSは、長距離依存性モデリングを単純化するMTS予測の新しいアプローチである。最先端の精度を実現し、計算コストを大幅に削減する。
参考スコア（独自算出の注目度）: 22.545533166145706
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate and efficient multivariate time series (MTS) forecasting is essential for applications such as traffic management and weather prediction, which depend on capturing long-range temporal dependencies and interactions between entities. Existing methods, particularly those based on Transformer architectures, compute pairwise dependencies across all time steps, leading to a computational complexity that scales quadratically with the length of the input. To overcome these challenges, we introduce the Forecaster with Offline Clustering Using Segments (FOCUS), a novel approach to MTS forecasting that simplifies long-range dependency modeling through the use of prototypes extracted via offline clustering. These prototypes encapsulate high-level events in the real-world system underlying the data, summarizing the key characteristics of similar time segments. In the online phase, FOCUS dynamically adapts these patterns to the current input and captures dependencies between the input segment and high-level events, enabling both accurate and efficient forecasting. By identifying prototypes during the offline clustering phase, FOCUS reduces the computational complexity of modeling long-range dependencies in the online phase to linear scaling. Extensive experiments across diverse benchmarks demonstrate that FOCUS achieves state-of-the-art accuracy while significantly reducing computational costs.
Abstract（参考訳）: 交通管理や天気予報といった,長期の時間的依存関係のキャプチャやエンティティ間の相互作用に依存するアプリケーションには,MTS予測が不可欠である。既存の方法、特にTransformerアーキテクチャに基づくものは、全ての時間ステップにまたがるペアワイズ依存関係を計算し、入力の長さと2次スケールの計算複雑性をもたらす。これらの課題を克服するために、オフラインクラスタリングによって抽出されたプロトタイプを使用することで、長距離依存性モデリングを単純化するMTS予測の新しいアプローチである、オフラインクラスタリング利用セグメンテーション(FOCUS)を使用したForecasterを紹介した。これらのプロトタイプは、データに基づく実世界のシステムにおける高レベルイベントをカプセル化し、類似した時間セグメントの重要な特徴を要約する。オンラインフェーズでは、FOCUSはこれらのパターンを現在の入力に動的に適応させ、入力セグメントと高レベルのイベント間の依存関係をキャプチャし、正確かつ効率的な予測を可能にする。オフラインクラスタリングフェーズのプロトタイプを特定することで、オンラインフェーズにおける長距離依存関係を線形スケーリングにモデル化する際の計算複雑性を低減できる。様々なベンチマークによる大規模な実験は、FOCUSが最先端の精度を達成し、計算コストを著しく削減していることを示している。

関連論文リスト

PreMixer: MLP-Based Pre-training Enhanced MLP-Mixers for Large-scale Traffic Forecasting [30.055634767677823]
都市コンピューティングでは,交通ネットワークからの時系列データの正確かつ迅速な予測が重要である。現在の研究制限は、モデル固有の非効率性と、モデル複雑さによる大規模トラフィックアプリケーションに対する不適合性のためである。本稿では,このギャップを埋めるための新しいフレームワークPreMixerを提案する。MLP(Multi-Layer Perceptrons)の原理に基づく予測モデルと事前学習機構を特徴とする。我々のフレームワークは,大規模トラフィックデータセットの広範な実験により検証され,高い計算効率を維持しながら,同等の最先端性能を実現している。
論文参考訳（メタデータ） (2024-12-18T08:35:40Z)
UmambaTSF: A U-shaped Multi-Scale Long-Term Time Series Forecasting Method Using Mamba [7.594115034632109]
本稿では,新しい時系列予測フレームワークであるUmambaTSFを提案する。 U字型エンコーダ・デコーダ多層パーセプトロン(MLP)のマルチスケール特徴抽出機能とMambaのロングシーケンス表現を統合する。 UmambaTSFは、広く使用されているベンチマークデータセットで最先端のパフォーマンスと優れた汎用性を達成する。
論文参考訳（メタデータ） (2024-10-15T04:56:43Z)
Test Time Learning for Time Series Forecasting [1.4605709124065924]
テストタイムトレーニング(TTT)モジュールは、MambaベースのTimeMachineなど、最先端モデルよりも一貫して優れている。その結果,平均二乗誤差 (MSE) と平均絶対誤差 (MAE) に有意な改善が認められた。この研究は、時系列予測の新しいベンチマークを設定し、スケーラブルで高性能な予測モデルにおける将来の研究の基礎を定めている。
論文参考訳（メタデータ） (2024-09-21T04:40:08Z)
Adaptive Multi-Scale Decomposition Framework for Time Series Forecasting [26.141054975797868]
本稿では,時系列予測のための新しい適応型マルチスケール分解(AMD)フレームワークを提案する。我々のフレームワークは時系列を複数のスケールで異なる時間パターンに分解し、MDM(Multi-Scale Decomposable Mixing)ブロックを活用する。提案手法は,時間依存性とチャネル依存性の両方を効果的にモデル化し,マルチスケールデータ統合を改良するために自己相関を利用する。
論文参考訳（メタデータ） (2024-06-06T05:27:33Z)
Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
時系列予測(LTSF)は時系列分析において重要なフロンティアである。本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
論文参考訳（メタデータ） (2024-01-22T13:15:40Z)
Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文参考訳（メタデータ） (2023-01-05T13:59:29Z)
Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
論文参考訳（メタデータ） (2022-10-02T06:58:49Z)
Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。