論文の概要: Multivariate Long-term Time Series Forecasting with Fourier Neural Filter

• arxiv url: http://arxiv.org/abs/2506.09174v1
• Date: Tue, 10 Jun 2025 18:40:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:01.887425
• Title: Multivariate Long-term Time Series Forecasting with Fourier Neural Filter
• Title（参考訳）: フーリエニューラルフィルタを用いた多変量時系列予測
• Authors: Chenheng Xu, Dan Wu, Yixin Zhu, Ying Nian Wu,
• Abstract要約: 我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
• 参考スコア（独自算出の注目度）: 55.09326865401653
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate long-term time series forecasting has been suffering from the challenge of capturing both temporal dependencies within variables and spatial correlations across variables simultaneously. Current approaches predominantly repurpose backbones from natural language processing or computer vision (e.g., Transformers), which fail to adequately address the unique properties of time series (e.g., periodicity). The research community lacks a dedicated backbone with temporal-specific inductive biases, instead relying on domain-agnostic backbones supplemented with auxiliary techniques (e.g., signal decomposition). We introduce FNF as the backbone and DBD as the architecture to provide excellent learning capabilities and optimal learning pathways for spatio-temporal modeling, respectively. Our theoretical analysis proves that FNF unifies local time-domain and global frequency-domain information processing within a single backbone that extends naturally to spatial modeling, while information bottleneck theory demonstrates that DBD provides superior gradient flow and representation capacity compared to existing unified or sequential architectures. Our empirical evaluation across 11 public benchmark datasets spanning five domains (energy, meteorology, transportation, environment, and nature) confirms state-of-the-art performance with consistent hyperparameter settings. Notably, our approach achieves these results without any auxiliary techniques, suggesting that properly designed neural architectures can capture the inherent properties of time series, potentially transforming time series modeling in scientific and industrial applications.
• Abstract（参考訳）: 多変量時系列予測は、変数間の時間的依存関係と変数間の空間的相関の両方を同時に捉えることの難しさに悩まされている。 現在のアプローチでは、主に自然言語処理やコンピュータビジョン(例えば、トランスフォーマー)からバックボーンを再利用している。 研究コミュニティには、時間固有の誘導バイアスを持つ専用のバックボーンがなく、代わりに補助的な技術(例えばシグナル分解)を補足したドメインに依存しないバックボーンに依存している。 本稿では,FNFをバックボーンとして,DBDをアーキテクチャとして導入し,時空間モデリングのための優れた学習能力と最適な学習経路を提供する。 FNFは局所時間領域と大域周波数領域の情報処理を1つのバックボーン内で統一し、空間モデリングに自然に拡張することを示す一方、情報ボトルネック理論は既存の統合アーキテクチャやシーケンシャルアーキテクチャと比較してDBDが優れた勾配流と表現能力を提供することを示した。 5つの領域(エネルギー、気象、輸送、環境、自然)にまたがる11の公開ベンチマークデータセットに対する実証的な評価は、一貫したハイパーパラメータ設定で最先端のパフォーマンスを確認します。 特に,提案手法は補助的手法を使わずにこれらの結果を達成し,適切に設計されたニューラルネットワークは時系列の性質を捉え,科学的・産業的な時系列モデリングに転換する可能性があることを示唆している。

関連論文リスト

• FR-Mamba: Time-Series Physical Field Reconstruction Based on State Space Model [9.340916033226604]
  物理場再構成は、限られたセンサ測定に基づいて物理量の状態分布を予測することを目的としている。 既存のディープラーニングメソッドは、長い時間的・時間的依存関係のキャプチャに失敗することが多い。 状態空間モデリングに基づく新しい流れ場再構成フレームワークFR-Mambaを提案する。
  論文  参考訳（メタデータ） (2025-05-21T23:54:36Z)
• 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)
• Towards Generalisable Time Series Understanding Across Domains [10.350643783811174]
  時系列の不均一性を扱うために特別に設計された新しい事前学習パラダイムを導入する。 本稿では、学習可能なドメインシグネチャ、二重マスキング戦略、正規化相互相関損失を持つトークンサを提案する。 私たちのコードと事前訓練されたウェイトはhttps://www.oetu.com/oetu/otis.comで公開されています。
  論文  参考訳（メタデータ） (2024-10-09T17:09:30Z)
• TimeDiT: General-purpose Diffusion Transformers for Time Series Foundation Model [11.281386703572842]
  TimeDiTは時間依存性学習と確率的サンプリングを組み合わせた拡散トランスフォーマーモデルである。 TimeDiTは、さまざまなタスクにわたるトレーニングと推論プロセスを調和させるために、統一的なマスキングメカニズムを採用している。 我々の体系的評価は、ゼロショット/ファインチューニングによる予測と計算という基本的なタスクにおいて、TimeDiTの有効性を示す。
  論文  参考訳（メタデータ） (2024-09-03T22:31:57Z)
• FAITH: Frequency-domain Attention In Two Horizons for Time Series Forecasting [13.253624747448935]
  時系列予測は、産業機器の保守、気象学、エネルギー消費、交通流、金融投資など、様々な分野で重要な役割を果たしている。 現在のディープラーニングベースの予測モデルは、予測結果と基礎的真実の間に大きな違いを示すことが多い。 本稿では、時系列をトレンドと季節成分に分解する2つのホライズンズにおける周波数領域注意モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-22T02:37:02Z)
• 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)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)
• 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。