論文の概要: CRAFT: Time Series Forecasting with Cross-Future Behavior Awareness

• arxiv url: http://arxiv.org/abs/2505.13896v1
• Date: Tue, 20 May 2025 04:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.667358
• Title: CRAFT: Time Series Forecasting with Cross-Future Behavior Awareness
• Title（参考訳）: CRAFT:クロスフューチャー行動認識による時系列予測
• Authors: Yingwei Zhang, Ke Bu, Zhuoran Zhuang, Tao Xie, Yao Yu, Dong Li, Yang Guo, Detao Lv,
• Abstract要約: 我々はCRAFT(CRoss-Future Behavior Awareness based Time Series Forecasting Method)を提案する。 CRAFTは、キートレンドを抽出するためにクープマン予測モジュール(Koopman Predictor Module)と、クロスフューチャー行動行列の未知領域を補う内部トレンドマイニングモジュール(Innal Trends Mining Module)を使用している。 オフラインの大規模データセットとオンラインA/Bテストの両方の実験は、CRAFTの有効性を実証している。
• 参考スコア（独自算出の注目度）: 11.074656198029059
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The past decades witness the significant advancements in time series forecasting (TSF) across various real-world domains, including e-commerce and disease spread prediction. However, TSF is usually constrained by the uncertainty dilemma of predicting future data with limited past observations. To settle this question, we explore the use of Cross-Future Behavior (CFB) in TSF, which occurs before the current time but takes effect in the future. We leverage CFB features and propose the CRoss-Future Behavior Awareness based Time Series Forecasting method (CRAFT). The core idea of CRAFT is to utilize the trend of cross-future behavior to mine the trend of time series data to be predicted. Specifically, to settle the sparse and partial flaws of cross-future behavior, CRAFT employs the Koopman Predictor Module to extract the key trend and the Internal Trend Mining Module to supplement the unknown area of the cross-future behavior matrix. Then, we introduce the External Trend Guide Module with a hierarchical structure to acquire more representative trends from higher levels. Finally, we apply the demand-constrained loss to calibrate the distribution deviation of prediction results. We conduct experiments on real-world dataset. Experiments on both offline large-scale dataset and online A/B test demonstrate the effectiveness of CRAFT. Our dataset and code is available at https://github.com/CRAFTinTSF/CRAFT.
• Abstract（参考訳）: 過去数十年間、Eコマースや病気拡散予測など、さまざまな現実世界のドメインにわたる時系列予測(TSF)の大幅な進歩が見られた。 しかし、TSFは通常、過去の観測に制限された将来のデータを予測する不確実性ジレンマによって制約される。 この問題を解決するために,TSFにおけるクロス・フューチャー・ビヘイビア(CFB)の利用について検討する。 CFB の特徴を活用し,CRoss-Future Behavior Awareness に基づく時系列予測手法(CRAFT)を提案する。 CRAFTの中核となる考え方は、予測される時系列データのトレンドを掘り下げるために、クロスフューチャーな行動の傾向を利用することである。 具体的には、クロスフューチャ動作のスパースと部分的な欠陥を解決するために、CRAFTはKoopman Predictor Moduleを用いてキートレンドを抽出し、内部トレンドマイニングモジュールを用いてクロスフューチャ動作行列の未知領域を補う。 次に、階層構造を持つ外部トレンドガイドモジュールを導入し、より高いレベルからより代表的なトレンドを取得する。 最後に,需要制約付き損失を適用し,予測結果の分布偏差を校正する。 実世界のデータセットで実験を行う。 オフラインの大規模データセットとオンラインA/Bテストの両方の実験は、CRAFTの有効性を実証している。 データセットとコードはhttps://github.com/CRAFTinTSF/CRAFTで公開されています。

関連論文リスト

• Future-Guided Learning: A Predictive Approach To Enhance Time-Series Forecasting [4.866362841501992]
  本稿では,予測符号化にインスパイアされた動的フィードバック機構を通じて時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。 本手法は2つのモデルから構成される: 重要事象を識別するために将来のデータを解析する検出モデルと、これらの事象を現在のデータに基づいて予測する予測モデルである。 脳波データを用いた発作予測ではAUC-ROCが44.8%増加し,非線形力学系ではMSEが48.7%減少した。
  論文  参考訳（メタデータ） (2024-10-19T21:22:55Z)
• Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting [0.0]
  本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。 GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。 これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
  論文  参考訳（メタデータ） (2024-02-23T06:09:45Z)
• FreDF: Learning to Forecast in the Frequency Domain [54.2091536822376]
  時系列モデリングは、歴史的データと将来のシーケンスの両方における自己相関による固有の課題を提示する。 本稿では,周波数領域の予測学習によりラベル自己相関を緩和する周波数強調直接予測(FreDF)を提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:23:41Z)
• Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting [54.04430089029033]
  本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。 Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。 このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-12T12:29:32Z)
• Pushing the Limits of Pre-training for Time Series Forecasting in the CloudOps Domain [54.67888148566323]
  クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。 強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。 これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
  論文  参考訳（メタデータ） (2023-10-08T08:09:51Z)
• Explainable Parallel RCNN with Novel Feature Representation for Time Series Forecasting [0.0]
  時系列予測はデータサイエンスにおける根本的な課題である。 RNNとCNNを組み合わせた並列ディープラーニングフレームワークを開発した。 3つのデータセットに対する大規模な実験により,本手法の有効性が明らかとなった。
  論文  参考訳（メタデータ） (2023-05-08T17:20:13Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。