論文の概要: TLCCSP: A Scalable Framework for Enhancing Time Series Forecasting with Time-Lagged Cross-Correlations

• arxiv url: http://arxiv.org/abs/2508.07016v1
• Date: Sat, 09 Aug 2025 15:29:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.65573
• Title: TLCCSP: A Scalable Framework for Enhancing Time Series Forecasting with Time-Lagged Cross-Correlations
• Title（参考訳）: TLCCSP: Time-Lagged Cross-Correlationsによる時系列予測の強化のためのスケーラブルなフレームワーク
• Authors: Jianfei Wu, Wenmian Yang, Bingning Liu, Weijia Jia,
• Abstract要約: 時系列の予測は、天気、金融、不動産の予測など、様々な領域で重要である。 本稿では,時間ラベルの相互関連配列を統合するTLCCSP(Time-Lagged Cross-Correlations-based Sequence Prediction framework)を提案する。 気象・金融・不動産時系列データセットの実験結果から,本フレームワークの有効性が示された。
• 参考スコア（独自算出の注目度）: 14.152868750710203
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting is critical across various domains, such as weather, finance and real estate forecasting, as accurate forecasts support informed decision-making and risk mitigation. While recent deep learning models have improved predictive capabilities, they often overlook time-lagged cross-correlations between related sequences, which are crucial for capturing complex temporal relationships. To address this, we propose the Time-Lagged Cross-Correlations-based Sequence Prediction framework (TLCCSP), which enhances forecasting accuracy by effectively integrating time-lagged cross-correlated sequences. TLCCSP employs the Sequence Shifted Dynamic Time Warping (SSDTW) algorithm to capture lagged correlations and a contrastive learning-based encoder to efficiently approximate SSDTW distances. Experimental results on weather, finance and real estate time series datasets demonstrate the effectiveness of our framework. On the weather dataset, SSDTW reduces mean squared error (MSE) by 16.01% compared with single-sequence methods, while the contrastive learning encoder (CLE) further decreases MSE by 17.88%. On the stock dataset, SSDTW achieves a 9.95% MSE reduction, and CLE reduces it by 6.13%. For the real estate dataset, SSDTW and CLE reduce MSE by 21.29% and 8.62%, respectively. Additionally, the contrastive learning approach decreases SSDTW computational time by approximately 99%, ensuring scalability and real-time applicability across multiple time series forecasting tasks.
• Abstract（参考訳）: 天気や金融、不動産の予測など、さまざまな分野において時系列予測が重要であり、正確な予測は意思決定やリスク軽減を支援する。 最近のディープラーニングモデルは予測能力を向上しているが、複雑な時間的関係を捉えるのに欠かせない、関連するシーケンス間の時間付き相互相関を見落としていることが多い。 そこで本研究では,時間付きクロスコラージュに基づくシーケンス予測フレームワーク (TLCCSP) を提案し,時間付きクロスコラージュシーケンスを効果的に統合することにより予測精度を向上させる。 TLCCSPはSequence Shifted Dynamic Time Warping (SSDTW)アルゴリズムを用いて、ラベル付き相関を捕捉し、コントラスト学習ベースのエンコーダを用いてSSDTW距離を効率的に近似する。 気象・金融・不動産時系列データセットの実験結果から,本フレームワークの有効性が示された。 気象データセットでは、SSDTWは単一シーケンス法と比較して平均2乗誤差(MSE)を16.01%削減し、対照的な学習エンコーダ(CLE)はMSEを17.88%削減する。 ストックデータセットでは、SSDTWは9.95%のMSE削減を実現し、CLEは6.13%削減した。 不動産データセットでは、SSDTWとCLEはそれぞれ21.29%、MSEを8.62%削減する。 さらに、対照的な学習手法はSSDTW計算時間を約99%削減し、複数の時系列予測タスクにおけるスケーラビリティとリアルタイム適用性を確保する。

関連論文リスト

• Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
  本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。 幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
  論文  参考訳（メタデータ） (2024-07-02T20:14:32Z)
• DASA: Delay-Adaptive Multi-Agent Stochastic Approximation [64.32538247395627]
  我々は,N$エージェントが並列に動作し,中央サーバと通信することで,一般的な近似問題を高速化することを目的とした設定を考える。 遅延とストラグラーの効果を軽減するために,マルチエージェント近似のための遅延適応アルゴリズムである textttDASA を提案する。
  論文  参考訳（メタデータ） (2024-03-25T22:49:56Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• Distillation Enhanced Time Series Forecasting Network with Momentum Contrastive Learning [7.4106801792345705]
  長周期時系列予測のための革新的蒸留強化フレームワークであるDE-TSMCLを提案する。 具体的には、タイムスタンプをマスクするかどうかを適応的に学習する学習可能なデータ拡張機構を設計する。 そこで本研究では,時系列のサンプル間および時間内相関を探索するために,モーメントを更新したコントラスト学習タスクを提案する。 複数のタスクからモデル損失を発生させることで、下流予測タスクの効果的な表現を学習することができる。
  論文  参考訳（メタデータ） (2024-01-31T12:52:10Z)
• QBSD: Quartile-Based Seasonality Decomposition for Cost-Effective RAN KPI Forecasting [0.18416014644193066]
  我々は、精度と計算複雑性のトレードオフを最適化するために、QBSDというライブシングルステップ予測手法を紹介した。 QBSDは数千セル以上の実ネットワークRANデータセットで大きな成功を収めています。 その結果,提案手法は主要なアルゴリズムに比べて実行効率が優れていることがわかった。
  論文  参考訳（メタデータ） (2023-06-09T15:59:27Z)
• Mlinear: Rethink the Linear Model for Time-series Forecasting [9.841293660201261]
  Mlinearは、主に線形層に基づく単純だが効果的な方法である。 複数のデータセット上で広く使われている平均二乗誤差(MSE)を大幅に上回る新しい損失関数を導入する。 提案手法は,PatchTSTを336列長入力で21:3,512列長入力で29:10で有意に上回った。
  論文  参考訳（メタデータ） (2023-05-08T15:54:18Z)

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。