論文の概要: TimeCF: A TimeMixer-Based Model with adaptive Convolution and Sharpness-Aware Minimization Frequency Domain Loss for long-term time seris forecasting

• arxiv url: http://arxiv.org/abs/2505.17532v1
• Date: Fri, 23 May 2025 06:39:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.870679
• Title: TimeCF: A TimeMixer-Based Model with adaptive Convolution and Sharpness-Aware Minimization Frequency Domain Loss for long-term time seris forecasting
• Title（参考訳）: TimeCF: 長期セリス予測のための適応畳み込みとシャープネスを考慮した最小化周波数領域損失を考慮したTimeMixer-based Model
• Authors: Bin Wang, Heming Yang, Jinfang Sheng,
• Abstract要約: 本稿では,TimeMixer に基づく時系列予測のためのディープラーニングモデル TimeCF を提案する。 TimeCFは、オリジナルの時系列を異なるスケールのシーケンスに分解する。 異なるスケールはFeed-Forward Networkを通じて集約される。
• 参考スコア（独自算出の注目度）: 5.032613143415414
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent studies have shown that by introducing prior knowledge, multi-scale analysis of complex and non-stationary time series in real environments can achieve good results in the field of long-term forecasting. However, affected by channel-independent methods, models based on multi-scale analysis may produce suboptimal prediction results due to the autocorrelation between time series labels, which in turn affects the generalization ability of the model. To address this challenge, we are inspired by the idea of sharpness-aware minimization and the recently proposed FreDF method and design a deep learning model TimeCF for long-term time series forecasting based on the TimeMixer, combined with our designed adaptive convolution information aggregation module and Sharpness-Aware Minimization Frequency Domain Loss (SAMFre). Specifically, TimeCF first decomposes the original time series into sequences of different scales. Next, the same-sized convolution modules are used to adaptively aggregate information of different scales on sequences of different scales. Then, decomposing each sequence into season and trend parts and the two parts are mixed at different scales through bottom-up and top-down methods respectively. Finally, different scales are aggregated through a Feed-Forward Network. What's more, extensive experimental results on different real-world datasets show that our proposed TimeCF has excellent performance in the field of long-term forecasting.
• Abstract（参考訳）: 近年の研究では、事前知識を導入することで、実環境における複雑・非定常時系列のマルチスケール解析が、長期予測の分野で良い結果が得られることが示されている。 しかし、チャネルに依存しない手法の影響を受け、マルチスケール解析に基づくモデルでは、時系列ラベルの自己相関による最適以下の予測結果が得られ、それによってモデルの一般化能力に影響を及ぼす可能性がある。 この課題に対処するために、我々は、シャープネスを意識した最小化の概念と、最近提案されたFreDF法に触発され、TimeMixerに基づく長期時系列予測のためのディープラーニングモデルTimeCFと、設計した適応畳み込み情報集約モジュールとシャープネスを意識した最小化周波数領域損失(SAMFre)を組み合わせた、ディープラーニングモデルであるTimeCFを設計しました。 具体的には、TimeCFは最初にオリジナルの時系列を異なるスケールのシーケンスに分解する。 次に、同じサイズの畳み込みモジュールを使用して、異なるスケールのシーケンス上で異なるスケールの情報を適応的に集約する。 そして、各シーケンスを季節とトレンドに分解し、ボトムアップ法とトップダウン法でそれぞれ異なるスケールで2つのパートを混合する。 最後に、異なるスケールがフィードフォワードネットワークを介して集約されます。 さらに,異なる実世界のデータセットに対する広範な実験結果から,提案したTimeCFは,長期予測の分野で優れた性能を示した。

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)
• xLSTM-Mixer: Multivariate Time Series Forecasting by Mixing via Scalar Memories [20.773694998061707]
  時系列データは様々な分野に分散しており、堅牢で正確な予測モデルの開発が必要である。 我々は,時間的シーケンス,共同時間可変情報,堅牢な予測のための複数の視点を効果的に統合するモデルであるxLSTM-Mixerを紹介する。 我々は,最近の最先端手法と比較して,xLSTM-Mixerの長期予測性能が優れていることを示した。
  論文  参考訳（メタデータ） (2024-10-22T11:59:36Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting [19.88184356154215]
  時系列予測は、交通計画や天気予報などのアプリケーションで広く使われている。 TimeMixerは、長期および短期の予測タスクにおいて、一貫した最先端のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2024-05-23T14:27:07Z)
• RPMixer: Shaking Up Time Series Forecasting with Random Projections for Large Spatial-Temporal Data [33.0546525587517]
  RPMixer と呼ばれる全MLP時系列予測アーキテクチャを提案する。 提案手法は,各ブロックがアンサンブルモデルにおいてベース学習者のように振る舞う深層ニューラルネットワークのアンサンブル的挙動に乗じる。
  論文  参考訳（メタデータ） (2024-02-16T07:28:59Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
  本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。 事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。 多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
  論文  参考訳（メタデータ） (2024-02-04T06:55:55Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)

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。