論文の概要: A Review of the Long Horizon Forecasting Problem in Time Series Analysis

• arxiv url: http://arxiv.org/abs/2506.12809v1
• Date: Sun, 15 Jun 2025 10:49:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:46.899889
• Title: A Review of the Long Horizon Forecasting Problem in Time Series Analysis
• Title（参考訳）: 時系列解析における長軸予測問題の検討
• Authors: Hans Krupakar, Kandappan V A,
• Abstract要約: 長い地平線予測(LHF)問題は、過去35年ほどにわたって時系列文献に現れてきた。 ディープラーニングには、トレンド、季節性、フーリエ変換、ウェーブレット変換、不特定バイアス低減、帯域通過フィルタのバリエーションが組み込まれている。 本稿では, 時系列分解技術, 入力データ前処理, および, 性能向上のためのデータセットのウィンドウ化手法について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The long horizon forecasting (LHF) problem has come up in the time series literature for over the last 35 years or so. This review covers aspects of LHF in this period and how deep learning has incorporated variants of trend, seasonality, fourier and wavelet transforms, misspecification bias reduction and bandpass filters while contributing using convolutions, residual connections, sparsity reduction, strided convolutions, attention masks, SSMs, normalization methods, low-rank approximations and gating mechanisms. We highlight time series decomposition techniques, input data preprocessing and dataset windowing schemes that improve performance. Multi-layer perceptron models, recurrent neural network hybrids, self-attention models that improve and/or address the performances of the LHF problem are described, with an emphasis on the feature space construction. Ablation studies are conducted over the ETTm2 dataset in the multivariate and univariate high useful load (HUFL) forecasting contexts, evaluated over the last 4 months of the dataset. The heatmaps of MSE averages per time step over test set series in the horizon show that there is a steady increase in the error proportionate to its length except with xLSTM and Triformer models and motivate LHF as an error propagation problem. The trained models are available here: https://bit.ly/LHFModelZoo
• Abstract（参考訳）: 長い地平線予測(LHF)問題は、過去35年ほどにわたって時系列文献に現れてきた。 本総説では、この期間におけるLHFの側面と、ディープラーニングがトレンド、季節性、フーリエ、ウェーブレット変換、不特定バイアスの低減、帯域通過フィルタを取り入れながら、畳み込み、残留接続、空間縮小、ストライド畳み込み、アテンションマスク、SSM、正規化方法、低ランク近似、ゲーティング機構を取り入れた方法について述べる。 本稿では, 時系列分解技術, 入力データ前処理, および, 性能向上のためのデータセットのウィンドウ化手法について述べる。 多層パーセプトロンモデル、リカレントニューラルネットワークハイブリッド、LHF問題の性能を改善し/または対処する自己アテンションモデルについて述べ、特徴空間の構築に重点を置いている。 データセットの最後の4ヶ月で評価された多変量および単変量高有用負荷(HUFL)予測コンテキストにおけるETTm2データセット上でアブレーション研究を行う。 地平線におけるテストセット級数に対するMSE平均のヒートマップは、xLSTMモデルとTriformerモデルを除いて誤差が一定に増加し、LHFを誤差伝播問題として動機付けていることを示している。 トレーニングされたモデルは以下の通りである。

関連論文リスト

• TimeCF: A TimeMixer-Based Model with adaptive Convolution and Sharpness-Aware Minimization Frequency Domain Loss for long-term time seris forecasting [5.032613143415414]
  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。
  論文  参考訳（メタデータ） (2025-05-23T06:39:20Z)
• 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)
• MixLinear: Extreme Low Resource Multivariate Time Series Forecasting with 0.1K Parameters [6.733646592789575]
  時系列予測(LTSF)は、パターンや傾向を特定するために、大量の時系列データを分析することによって、長期的な価値を予測する。 トランスフォーマーベースのモデルは高い予測精度を提供するが、ハードウェア制約のあるデバイスにデプロイするには計算集約的すぎることが多い。 資源制約のあるデバイスに特化して設計された超軽量時系列予測モデルであるMixLinearを提案する。
  論文  参考訳（メタデータ） (2024-10-02T23:04:57Z)
• ReAugment: Model Zoo-Guided RL for Few-Shot Time Series Augmentation and Forecasting [74.00765474305288]
  本稿では,時系列データ拡張のための強化学習(RL)の試験的検討を行う。 我々の手法であるReAugmentは、トレーニングセットのどの部分が拡張されるべきか、どのように拡張を行うべきか、RLがプロセスにどのような利点をもたらすのか、という3つの重要な問題に取り組む。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• 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)
• 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)
• To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis [50.31589712761807]
  大規模言語モデル(LLM)は、事前トレーニング中にトークンに悩まされていることで知られており、Web上の高品質なテキストデータは、LSMのスケーリング制限に近づいている。 本研究では,事前学習データの再学習の結果について検討し,モデルが過度に適合する可能性が示唆された。 第2に, マルチエポック劣化の原因となる要因について検討し, データセットのサイズ, モデルパラメータ, トレーニング目標など, 重要な要因について検討した。
  論文  参考訳（メタデータ） (2023-05-22T17:02:15Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。