論文の概要: Topology-driven identification of repetitions in multi-variate time series
- arxiv url: http://arxiv.org/abs/2505.10004v2
- Date: Mon, 19 May 2025 08:34:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-20 12:45:56.157425
- Title: Topology-driven identification of repetitions in multi-variate time series
- Title（参考訳）: 多変量時系列における位相駆動による繰り返しの同定
- Authors: Simon Schindler, Elias Steffen Reich, Saverio Messineo, Simon Hoher, Stefan Huber,
- Abstract要約: 多変量時系列における再発時間を推定するための永続的ホモロジーフレームワークを提案する。
フレームワーク内に3つの専門的な方法を提供し、実際のデータを用いて確実に安定し、検証する。
- 参考スコア（独自算出の注目度）: 0.6990493129893112
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Many multi-variate time series obtained in the natural sciences and engineering possess a repetitive behavior, as for instance state-space trajectories of industrial machines in discrete automation. Recovering the times of recurrence from such a multi-variate time series is of a fundamental importance for many monitoring and control tasks. For a periodic time series this is equivalent to determining its period length. In this work we present a persistent homology framework to estimate recurrence times in multi-variate time series with different generalizations of cyclic behavior (periodic, repetitive, and recurring). To this end, we provide three specialized methods within our framework that are provably stable and validate them using real-world data, including a new benchmark dataset from an injection molding machine.
- Abstract（参考訳）: 自然科学と工学で得られた多くの多変量時系列は、例えば離散自動化における産業機械の状態空間軌跡のような反復的な振る舞いを持つ。
このような多変量時系列から繰り返しの時刻を復元することは、多くの監視および制御タスクにおいて基本的な重要性である。
周期時系列の場合、これは周期長を決定することと等価である。
本研究では, 周期的挙動(周期的, 反復的, 反復的)の異なる多変量時系列における繰り返し時間を推定する永続的ホモロジーフレームワークを提案する。
この目的のために,本フレームワークでは,射出成形機からの新しいベンチマークデータセットを含む,実証可能な安定度と実世界のデータによる検証が可能な3つの特殊な手法を提案する。
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) - Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。
実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
論文 参考訳（メタデータ） (2023-10-17T06:29:09Z) - Kernel-based Joint Independence Tests for Multivariate Stationary and
Non-stationary Time Series [0.6749750044497732]
多変量時系列における共同独立のカーネルベース統計テストを導入する。
提案手法は, 合成例において, 高次依存関係を頑健に発見する方法を示す。
我々の手法はデータの高次相互作用を明らかにするのに役立つ。
論文 参考訳（メタデータ） (2023-05-15T10:38:24Z) - Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。
階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文 参考訳（メタデータ） (2023-05-11T10:30:35Z) - Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
時系列データは、気候、経済、医療などいくつかの領域で広く使われている。
最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。
ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
論文 参考訳（メタデータ） (2021-10-11T13:46:28Z) - Multi-Time Attention Networks for Irregularly Sampled Time Series [18.224344440110862]
不規則サンプリングは多くの時系列モデリングアプリケーションで発生する。
我々は,この設定のための新しいディープラーニングフレームワークを提案し,これをマルチ時間注意ネットワークと呼ぶ。
その結果,我々のアプローチは,ベースラインや最近提案されたモデルと同等かそれ以上の性能を示すことができた。
論文 参考訳（メタデータ） (2021-01-25T18:57:42Z)
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。