論文の概要: Nearest Neighbor Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2505.11625v1
• Date: Fri, 16 May 2025 18:41:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.745778
• Title: Nearest Neighbor Multivariate Time Series Forecasting
• Title（参考訳）: 近隣の多変量時系列予測
• Authors: Huiliang Zhang, Ping Nie, Lijun Sun, Benoit Boulet,
• Abstract要約: そこで本研究では,k-nearest 近傍の単純な k-nearest 予測フレームワークを提案する。 キャッシュされたシリーズの大きなデータストア上で、最も近い隣の検索メカニズムで予測する。 データセット全体から多変数にまたがる分散だが類似したパターンを抽出する機能も備えている。
• 参考スコア（独自算出の注目度）: 18.99215382890949
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate time series (MTS) forecasting has a wide range of applications in both industry and academia. Recently, spatial-temporal graph neural networks (STGNNs) have gained popularity as MTS forecasting methods. However, current STGNNs can only use the finite length of MTS input data due to the computational complexity. Moreover, they lack the ability to identify similar patterns throughout the entire dataset and struggle with data that exhibit sparsely and discontinuously distributed correlations among variables over an extensive historical period, resulting in only marginal improvements. In this article, we introduce a simple yet effective k-nearest neighbor MTS forecasting ( kNN-MTS) framework, which forecasts with a nearest neighbor retrieval mechanism over a large datastore of cached series, using representations from the MTS model for similarity search. This approach requires no additional training and scales to give the MTS model direct access to the whole dataset at test time, resulting in a highly expressive model that consistently improves performance, and has the ability to extract sparse distributed but similar patterns spanning over multivariables from the entire dataset. Furthermore, a hybrid spatial-temporal encoder (HSTEncoder) is designed for kNN-MTS which can capture both long-term temporal and short-term spatial-temporal dependencies and is shown to provide accurate representation for kNN-MTSfor better forecasting. Experimental results on several real-world datasets show a significant improvement in the forecasting performance of kNN-MTS. The quantitative analysis also illustrates the interpretability and efficiency of kNN-MTS, showing better application prospects and opening up a new path for efficiently using the large dataset in MTS models.
• Abstract（参考訳）: 多変量時系列(MTS)予測は、産業と学術の両方に幅広い応用がある。 近年,MSS予測手法として空間時空間グラフニューラルネットワーク(STGNN)が普及している。 しかし、現在のSTGNNは計算複雑性のため、MSS入力データの有限長しか使用できない。 さらに、データセット全体を通して類似したパターンを識別する能力が欠如しており、広範囲の歴史的期間における変数間の疎小かつ不連続に分散した相関を示すデータに苦慮しているため、限界的な改善しか得られない。 本稿では,MCSモデルによる類似性探索の表現を用いて,キャッシュされた系列の大規模データストア上での近接検索機構を用いて予測を行う,k-nearest neighbor MTS予測(kNN-MTS)フレームワークを提案する。 このアプローチでは、MTSモデルがテスト時にデータセット全体に直接アクセスするための追加のトレーニングやスケールを必要としないため、パフォーマンスを一貫して改善すると同時に、データセット全体から複数の変数にまたがるスパースなパターンを抽出する機能を備えた、非常に表現力の高いモデルが実現される。 さらに,kNN-MTSの長期時空間依存性と短期時空間依存性を捕捉し,kNN-MTSの予測精度を向上させるために,ハイブリッド時空間エンコーダ (HSTEncoder) が設計されている。 いくつかの実世界のデータセットに対する実験結果から,kNN-MTSの予測性能が大幅に向上した。 この定量的分析は、kNN-MTSの解釈可能性と効率も示しており、より優れた応用可能性を示し、MSSモデルで大きなデータセットを効率的に使用するための新しいパスを開く。

関連論文リスト

• 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)
• SAGDFN: A Scalable Adaptive Graph Diffusion Forecasting Network for Multivariate Time Series Forecasting [19.111041921060366]
  本稿では、複雑な空間的時間的相関を捉えるために、スケーラブルな適応グラフ拡散予測ネットワーク(SAGDFN)を提案する。 SAGDFNは、空間相関に関する事前の知識を必要とせず、数千のノードのデータセットにスケーラブルである。 207ノードの1つの実世界のデータセットで、最先端のベースラインと同等のパフォーマンスを達成し、2000ノードの3つの実世界のデータセットで、最先端のベースラインをかなり上回っている。
  論文  参考訳（メタデータ） (2024-06-18T05:19:51Z)
• Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
  完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。 グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。 グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
  論文  参考訳（メタデータ） (2023-09-11T08:44:07Z)
• Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting [52.47493322446537]
  本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。 SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。 SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-05-22T13:39:44Z)
• Pre-training Enhanced Spatial-temporal Graph Neural Network for Multivariate Time Series Forecasting [13.441945545904504]
  スケーラブルな時系列事前学習モデル(STEP)によりSTGNNが拡張される新しいフレームワークを提案する。 具体的には、非常に長期の歴史時系列から時間パターンを効率的に学習するための事前学習モデルを設計する。 我々のフレームワークは下流のSTGNNを著しく強化することができ、事前学習モデルは時間パターンを適切にキャプチャする。
  論文  参考訳（メタデータ） (2022-06-18T04:24:36Z)

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。