論文の概要: Non-Stationary Time Series Forecasting Based on Fourier Analysis and Cross Attention Mechanism

• arxiv url: http://arxiv.org/abs/2505.06917v1
• Date: Sun, 11 May 2025 09:34:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.114235
• Title: Non-Stationary Time Series Forecasting Based on Fourier Analysis and Cross Attention Mechanism
• Title（参考訳）: フーリエ解析とクロスアテンション機構に基づく非定常時系列予測
• Authors: Yuqi Xiong, Yang Wen,
• Abstract要約: 本稿では,安定なコンポーネントと不安定なコンポーネント間の情報共有能力を向上する新しいフレームワークであるAEFINを提案する。 また、時間領域の安定性制約、時間領域の不安定性制約、周波数領域の安定性制約を組み合わせた新たな損失関数を設計し、予測の精度と堅牢性を向上させる。 AEFINは平均二乗誤差と平均絶対誤差の点で、特に非定常データ条件下では、最も一般的なモデルよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 5.480591342227219
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting has important applications in financial analysis, weather forecasting, and traffic management. However, existing deep learning models are limited in processing non-stationary time series data because they cannot effectively capture the statistical characteristics that change over time. To address this problem, this paper proposes a new framework, AEFIN, which enhances the information sharing ability between stable and unstable components by introducing a cross-attention mechanism, and combines Fourier analysis networks with MLP to deeply explore the seasonal patterns and trend characteristics in unstable components. In addition, we design a new loss function that combines time-domain stability constraints, time-domain instability constraints, and frequency-domain stability constraints to improve the accuracy and robustness of forecasting. Experimental results show that AEFIN outperforms the most common models in terms of mean square error and mean absolute error, especially under non-stationary data conditions, and shows excellent forecasting capabilities. This paper provides an innovative solution for the modeling and forecasting of non-stationary time series data, and contributes to the research of deep learning for complex time series.
• Abstract（参考訳）: 時系列予測は、財務分析、天気予報、交通管理に重要な応用がある。 しかし、既存のディープラーニングモデルは、時間とともに変化する統計的特徴を効果的に捉えることができないため、非定常時系列データの処理に限られている。 そこで本研究では,不安定なコンポーネントの季節パターンと傾向特性を深く探求するために,Fourier解析ネットワークとMLPを組み合わせることで,安定性と不安定なコンポーネント間の情報共有能力を向上する新しいフレームワークAEFINを提案する。 さらに,時間領域の安定性制約,時間領域の不安定性制約,周波数領域の安定性制約を組み合わせた新たな損失関数を設計し,予測の精度と堅牢性を向上させる。 実験結果から,AEFINは平均二乗誤差と平均絶対誤差において,特に非定常データ条件下で,最も一般的なモデルよりも優れており,予測能力に優れていた。 本稿では,非定常時系列データのモデリングと予測のための革新的なソリューションを提供し,複雑な時系列の深層学習研究に寄与する。

関連論文リスト

• Patch-wise Structural Loss for Time Series Forecasting [25.291749176117662]
  Patch-wise Structure (PS) Losは、パッチレベルでの時系列を比較することで、構造的アライメントを向上させるように設計されている。 PS損失は、従来のポイントワイドの損失によって見落とされた、微妙な構造上の不一致を捉えている。 ポイントワイズロスとシームレスに統合され、局所的な構造上の不整合と個々のタイムステップエラーに同時に対処する。
  論文  参考訳（メタデータ） (2025-03-02T12:36:15Z)
• TimeBridge: Non-Stationarity Matters for Long-term Time Series Forecasting [49.6208017412376]
  TimeBridgeは、非定常性と依存性モデリングの間のギャップを埋めるために設計された新しいフレームワークである。 TimeBridgeは、短期予測と長期予測の両方において、最先端のパフォーマンスを一貫して達成する。
  論文  参考訳（メタデータ） (2024-10-06T10:41:03Z)
• Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
  本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。 幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
  論文  参考訳（メタデータ） (2024-07-02T20:14:32Z)
• Discovering Predictable Latent Factors for Time Series Forecasting [39.08011991308137]
  我々は,観測可能な時系列によって示唆される本質的な潜伏因子を推定するための新しい枠組みを開発する。 予測可能性,充足性,識別性という3つの特性を導入し,これらの特性を強力な潜伏力学モデルを用いてモデル化する。 複数の実データに対する実験結果から, 時系列予測の手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2023-03-18T14:37:37Z)
• Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
  ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。 近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。 本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
  論文  参考訳（メタデータ） (2021-07-05T10:15:23Z)
• 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。