論文の概要: ST-Hyper: Learning High-Order Dependencies Across Multiple Spatial-Temporal Scales for Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2509.02217v1
• Date: Tue, 02 Sep 2025 11:37:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:04.011076
• Title: ST-Hyper: Learning High-Order Dependencies Across Multiple Spatial-Temporal Scales for Multivariate Time Series Forecasting
• Title（参考訳）: ST-Hyper:多変量時系列予測のための複数の時空間尺度間の高次依存性学習
• Authors: Binqing Wu, Jianlong Huang, Zongjiang Shang, Ling Chen,
• Abstract要約: 複数の時空間スケールにまたがる高次依存関係をモデル化するためにST-Hyperを提案する。 具体的には、複数のSTスケールで特徴を抽出する時空間ピラミッドモデリング(STPM)モジュールを提案する。 また、機能間の堅牢な高次依存関係をキャプチャするために、スパースハイパーグラフを学習するAdaptive Hypergraph Modeling (AHM)モジュールも導入する。
• 参考スコア（独自算出の注目度）: 10.473579316054186
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In multivariate time series (MTS) forecasting, many deep learning based methods have been proposed for modeling dependencies at multiple spatial (inter-variate) or temporal (intra-variate) scales. However, existing methods may fail to model dependencies across multiple spatial-temporal scales (ST-scales, i.e., scales that jointly consider spatial and temporal scopes). In this work, we propose ST-Hyper to model the high-order dependencies across multiple ST-scales through adaptive hypergraph modeling. Specifically, we introduce a Spatial-Temporal Pyramid Modeling (STPM) module to extract features at multiple ST-scales. Furthermore, we introduce an Adaptive Hypergraph Modeling (AHM) module that learns a sparse hypergraph to capture robust high-order dependencies among features. In addition, we interact with these features through tri-phase hypergraph propagation, which can comprehensively capture multi-scale spatial-temporal dynamics. Experimental results on six real-world MTS datasets demonstrate that ST-Hyper achieves the state-of-the-art performance, outperforming the best baselines with an average MAE reduction of 3.8\% and 6.8\% for long-term and short-term forecasting, respectively.
• Abstract（参考訳）: 多変量時系列(MTS)予測では、複数の空間的(変数間)スケールや時間的(変数間)スケールでの依存関係をモデル化するための深層学習に基づく多くの手法が提案されている。 しかし、既存の手法は複数の空間的時間的尺度(STスケール、すなわち空間的・時間的スコープを共同的に考慮する尺度)の依存関係をモデル化できない可能性がある。 本研究では,適応的ハイパーグラフモデリングにより,複数のSTスケールにわたる高次依存関係をモデル化するST-Hyperを提案する。 具体的には、複数のSTスケールで特徴を抽出する時空間ピラミッドモデリング(STPM)モジュールを提案する。 さらに,アダプティブハイパーグラフモデリング (Adaptive Hypergraph Modeling, AHM) モジュールを導入する。 さらに,これらの特徴を三相ハイパーグラフ伝播により,多次元空間・時間的ダイナミクスを包括的に捉えることが可能となる。 6つの実世界のMSSデータセットによる実験結果から、ST-Hyperは最先端のパフォーマンスを達成し、長期予測では平均3.8\%、短期予測では6.8\%で最高のベースラインを上回った。

関連論文リスト

• Leveraging Multivariate Long-Term History Representation for Time Series Forecasting [6.661358934189792]
  MTS予測のためのLMHR(Long-term Multivariate Representation)というフレームワークを提案する。 LMHRは、長期の歴史をセグメントレベルの文脈表現にエンコードし、ポイントレベルのノイズを低減する。 急速に変化するパターンのトップ10%で予測精度を9.8%向上させる。
  論文  参考訳（メタデータ） (2025-05-20T03:46:36Z)
• STDHL: Spatio-Temporal Dynamic Hypergraph Learning for Wind Power Forecasting [5.003934238878358]
  風力発電所における空間的特徴を表現するための動的ハイパーグラフ学習(STDHL)モデルを提案する。 STDHLモデルは、動的空間相関をモデル化するための新しい動的ハイパーグラフ畳み込み層と、チャネル非依存の時間モデルのためのグループ化された時間畳み込み層を組み込んでいる。
  論文  参考訳（メタデータ） (2024-12-16T02:43:29Z)
• Ada-MSHyper: Adaptive Multi-Scale Hypergraph Transformer for Time Series Forecasting [5.431115840202783]
  時系列予測のための適応型マルチスケールハイパーグラフ変換器(Ada-MSHyper)を提案する。 Ada-MSHyperは最先端の性能を達成し、予測誤差を平均4.56%、10.38%、MSEの4.97%減らし、長距離、短距離、超長距離の時系列予測を行う。
  論文  参考訳（メタデータ） (2024-10-31T14:51:09Z)
• MSHyper: Multi-Scale Hypergraph Transformer for Long-Range Time Series Forecasting [5.431115840202783]
  より包括的なパターン相互作用モデリングを促進するために,マルチスケールハイパーグラフトランス (MSHyper) フレームワークを提案する。 MSHyperは様々な設定で最先端のSOTA(State-of-the-art)パフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-01-17T15:12:11Z)
• A Decoupled Spatio-Temporal Framework for Skeleton-based Action Segmentation [89.86345494602642]
  既存の手法は、弱い時間的モデリング能力に制限されている。 この問題に対処するために、Decoupled Scoupled Framework (DeST)を提案する。 DeSTは計算量が少なく、現在の最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2023-12-10T09:11:39Z)
• Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
  完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。 グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。 グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
  論文  参考訳（メタデータ） (2023-09-11T08:44:07Z)
• 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)
• Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Recognition [79.33539539956186]
  本稿では,マルチスケールグラフ畳み込みと,G3Dという空間時間グラフ畳み込み演算子を結合する簡単な方法を提案する。 これらの提案を結合することにより,MS-G3Dという強力な特徴抽出器を開発し,そのモデルが3つの大規模データセット上で従来の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-31T11:28:25Z)
• 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。