論文の概要: Leveraging Multivariate Long-Term History Representation for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2505.14737v1
• Date: Tue, 20 May 2025 03:46:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:58.663762
• Title: Leveraging Multivariate Long-Term History Representation for Time Series Forecasting
• Title（参考訳）: 時系列予測のための多変量長期履歴表現の活用
• Authors: Huiliang Zhang, Di Wu, Arnaud Zinflou, Stephane Dellacherie, Mouhamadou Makhtar Dione, Benoit Boulet,
• Abstract要約: MTS予測のためのLMHR(Long-term Multivariate Representation)というフレームワークを提案する。 LMHRは、長期の歴史をセグメントレベルの文脈表現にエンコードし、ポイントレベルのノイズを低減する。 急速に変化するパターンのトップ10%で予測精度を9.8%向上させる。
• 参考スコア（独自算出の注目度）: 6.661358934189792
• 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. Recent advances in Spatial-Temporal Graph Neural Network (STGNN) have achieved great progress in modelling spatial-temporal correlations. Limited by computational complexity, most STGNNs for MTS forecasting focus primarily on short-term and local spatial-temporal dependencies. Although some recent methods attempt to incorporate univariate history into modeling, they still overlook crucial long-term spatial-temporal similarities and correlations across MTS, which are essential for accurate forecasting. To fill this gap, we propose a framework called the Long-term Multivariate History Representation (LMHR) Enhanced STGNN for MTS forecasting. Specifically, a Long-term History Encoder (LHEncoder) is adopted to effectively encode the long-term history into segment-level contextual representations and reduce point-level noise. A non-parametric Hierarchical Representation Retriever (HRetriever) is designed to include the spatial information in the long-term spatial-temporal dependency modelling and pick out the most valuable representations with no additional training. A Transformer-based Aggregator (TAggregator) selectively fuses the sparsely retrieved contextual representations based on the ranking positional embedding efficiently. Experimental results demonstrate that LMHR outperforms typical STGNNs by 10.72% on the average prediction horizons and state-of-the-art methods by 4.12% on several real-world datasets. Additionally, it consistently improves prediction accuracy by 9.8% on the top 10% of rapidly changing patterns across the datasets.
• 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。 時空間グラフニューラルネットワーク(STGNN)の最近の進歩は,時空間相関のモデル化において大きな進歩を遂げている。 計算複雑性によって制限され、MSS予測のためのほとんどのSTGNNは、主に短期および局所的な時空間依存に焦点を当てている。 近年では、一変量履歴をモデリングに組み込もうとする手法もあるが、正確な予測に欠かせない長期的空間的類似性とMSS間の相関を見落としている。 このギャップを埋めるために,MTS予測のための長期多変量履歴表現(LMHR)拡張STGNNというフレームワークを提案する。 具体的には、長期履歴エンコーダ(LHEncoder)を用いて、長期履歴をセグメントレベルの文脈表現に効果的にエンコードし、ポイントレベルのノイズを低減する。 非パラメトリック階層的表現レトリバー(HRetriever)は、長期空間的時間的依存モデリングに空間情報を含め、追加のトレーニングを伴わずに最も価値のある表現を抽出するように設計されている。 トランスフォーマーベースのアグリゲータ(TAggregator,TAggregator,TAggregator,TAggregator,TAggregator,TAggregator,TAggregator,TAggregator,TAg gregator,TAggregator,TAggregator,TAggregator,TAggregator,TAggregator,TAggregator,TAggregator,TAggreg ator,TAggregator,TAggregator)は、位置埋め込みを効率良く行う。 実験の結果、LMHRは一般的なSTGNNを平均予測地平線で10.72%、最先端の手法で4.12%上回った。 さらに、データセット全体で急速に変化するパターンのトップ10%において、予測精度を9.8%改善する。

関連論文リスト

• Nearest Neighbor Multivariate Time Series Forecasting [18.99215382890949]
  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。
  論文  参考訳（メタデータ） (2025-05-16T18:41:33Z)
• 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)
• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• 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)
• Unified Long-Term Time-Series Forecasting Benchmark [0.6526824510982802]
  本稿では,時系列予測のための包括的データセットを提案する。 多様な動的システムと実生活記録から得られたデータセットのコレクションを組み込んだ。 多様なシナリオにおいて最も効果的なモデルを決定するために、古典的および最先端のモデルを用いて広範なベンチマーク分析を行う。 本研究は,これらのモデルの性能比較を興味深いものにし,モデルの有効性のデータセット依存性を強調した。
  論文  参考訳（メタデータ） (2023-09-27T18:59:00Z)
• 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)
• 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)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。