論文の概要: MoTime: A Dataset Suite for Multimodal Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2505.15072v1
• Date: Wed, 21 May 2025 03:39:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:58.851302
• Title: MoTime: A Dataset Suite for Multimodal Time Series Forecasting
• Title（参考訳）: MoTime:マルチモーダル時系列予測のためのデータセットスイート
• Authors: Xin Zhou, Weiqing Wang, Francisco J. Baldán, Wray Buntine, Christoph Bergmeir,
• Abstract要約: MoTimeは、データセットのマルチモーダル時系列予測スイートである。 時間信号とテキスト、メタデータ、画像などの外部モダリティをペアリングする。
• 参考スコア（独自算出の注目度）: 10.574030048563477
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While multimodal data sources are increasingly available from real-world forecasting, most existing research remains on unimodal time series. In this work, we present MoTime, a suite of multimodal time series forecasting datasets that pair temporal signals with external modalities such as text, metadata, and images. Covering diverse domains, MoTime supports structured evaluation of modality utility under two scenarios: 1) the common forecasting task, where varying-length history is available, and 2) cold-start forecasting, where no historical data is available. Experiments show that external modalities can improve forecasting performance in both scenarios, with particularly strong benefits for short series in some datasets, though the impact varies depending on data characteristics. By making datasets and findings publicly available, we aim to support more comprehensive and realistic benchmarks in future multimodal time series forecasting research.
• Abstract（参考訳）: マルチモーダルデータソースは、現実の予測からますます利用できるようになったが、既存の研究のほとんどは、一生の時系列に留まっている。 そこで本研究では,テキストやメタデータ,画像などの外部モダリティと時間的信号とをペアリングする,マルチモーダル時系列予測データセットのスイートであるMoTimeを紹介する。 多様なドメインをカバーするため、MoTimeは2つのシナリオでモダリティユーティリティの構造化評価をサポートする。 1) 様々な長さの履歴が利用できる共通予測課題、及び 2) 歴史的データが得られない冷戦開始予測。 実験により、外部のモダリティは両方のシナリオで予測性能を改善することができ、特にいくつかのデータセットでは、データ特性によって影響は異なるものの、ショートシリーズでは特に大きなメリットがあることが示された。 データセットと調査結果を公開することにより、将来のマルチモーダル時系列予測研究において、より包括的で現実的なベンチマークをサポートすることを目指している。

関連論文リスト

• TimeCAP: Learning to Contextualize, Augment, and Predict Time Series Events with Large Language Model Agents [52.13094810313054]
  TimeCAPは、時系列データのコンテキスト化ツールとしてLarge Language Models(LLM)を創造的に利用する時系列処理フレームワークである。 TimeCAPには2つの独立したLCMエージェントが組み込まれており、1つは時系列のコンテキストをキャプチャするテキスト要約を生成し、もう1つはより情報のある予測を行うためにこのリッチな要約を使用する。 実世界のデータセットによる実験結果から,TimeCAPは時系列イベント予測の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-17T04:17:27Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Multi-Modal Forecaster: Jointly Predicting Time Series and Textual Data [23.10730301634422]
  現在の予測手法は概ね非定型であり、時系列に付随するリッチテキストデータを無視している。 マルチモーダル予測のためのタイムテキストコーパス(TTC)を開発した。 我々のデータセットは、タイムスタンプに沿った数字とテキストのシーケンスで構成されており、気候科学と医療という2つの異なる領域のデータを含んでいる。
  論文  参考訳（メタデータ） (2024-11-11T06:04:15Z)
• A Language Model-Guided Framework for Mining Time Series with Distributional Shifts [5.082311792764403]
  本稿では,大規模言語モデルとデータソースインタフェースを用いて時系列データセットを探索・収集する手法を提案する。 収集したデータは外部ソースから得られるが、一次時系列データセットと重要な統計特性を共有できる。 収集されたデータセットは、既存のデータセット、特にデータ分散の変化を効果的に補うことができることを示唆している。
  論文  参考訳（メタデータ） (2024-06-07T20:21:07Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Optimal Latent Space Forecasting for Large Collections of Short Time Series Using Temporal Matrix Factorization [0.0]
  複数の手法を評価し、それらの方法の1つを選択することや、最良の予測を生成するためのアンサンブルを選択するのが一般的である。 本稿では,低ランク時間行列係数化と潜在時系列上での最適モデル選択を組み合わせることで,短時間の高次元時系列データを予測するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-15T11:39:21Z)
• CAMul: Calibrated and Accurate Multi-view Time-Series Forecasting [70.54920804222031]
  本稿では,一般的な確率的マルチビュー予測フレームワークであるCAMulを提案する。 多様なデータソースから表現と不確実性を学ぶことができる。 動的コンテキスト固有の方法で、各データビューからの知識と不確実性を統合する。 CAMulは、他の最先端確率予測モデルよりも精度とキャリブレーションが25%以上向上していることを示す。
  論文  参考訳（メタデータ） (2021-09-15T17:13:47Z)
• Instance-wise Graph-based Framework for Multivariate Time Series Forecasting [69.38716332931986]
  我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。 私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
  論文  参考訳（メタデータ） (2021-09-14T07:38:35Z)
• Monash Time Series Forecasting Archive [6.0617755214437405]
  各種ドメインから利用可能な20の時系列データセットを含む総合時系列予測アーカイブを提案する。 特徴分析を行うことで,データセットを特徴付け,それらの類似点と相違点を識別する。 本論文では,8つの誤差指標にまたがる全データセットに対する標準ベースライン予測手法の性能について述べる。
  論文  参考訳（メタデータ） (2021-05-14T04:49:58Z)

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。