論文の概要: ARIES: Relation Assessment and Model Recommendation for Deep Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2509.06060v1
• Date: Sun, 07 Sep 2025 13:57:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.8405
• Title: ARIES: Relation Assessment and Model Recommendation for Deep Time Series Forecasting
• Title（参考訳）: ARIES:Deep Time Series Forecastingにおけるリレーショナルアセスメントとモデルレコメンデーション
• Authors: Fei Wang, Yujie Li, Zezhi Shao, Chengqing Yu, Yisong Fu, Zhulin An, Yongjun Xu, Xueqi Cheng,
• Abstract要約: ARIESは時系列特性とモデリング戦略の関係を評価するためのフレームワークである。 実世界の時系列に解釈可能な提案を提供することのできる,最初の深層予測モデルレコメンデータを提案する。
• 参考スコア（独自算出の注目度）: 54.57031153712623
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent advancements in deep learning models for time series forecasting have been significant. These models often leverage fundamental time series properties such as seasonality and non-stationarity, which may suggest an intrinsic link between model performance and data properties. However, existing benchmark datasets fail to offer diverse and well-defined temporal patterns, restricting the systematic evaluation of such connections. Additionally, there is no effective model recommendation approach, leading to high time and cost expenditures when testing different architectures across different downstream applications. For those reasons, we propose ARIES, a framework for assessing relation between time series properties and modeling strategies, and for recommending deep forcasting models for realistic time series. First, we construct a synthetic dataset with multiple distinct patterns, and design a comprehensive system to compute the properties of time series. Next, we conduct an extensive benchmarking of over 50 forecasting models, and establish the relationship between time series properties and modeling strategies. Our experimental results reveal a clear correlation. Based on these findings, we propose the first deep forecasting model recommender, capable of providing interpretable suggestions for real-world time series. In summary, ARIES is the first study to establish the relations between the properties of time series data and modeling strategies, while also implementing a model recommendation system. The code is available at: https://github.com/blisky-li/ARIES.
• Abstract（参考訳）: 近年,時系列予測のためのディープラーニングモデルの進歩が目覚ましい。 これらのモデルは、季節性や非定常性といった基本的な時系列特性を利用することが多く、モデルの性能とデータ特性との本質的な関係が示唆される。 しかし、既存のベンチマークデータセットは多様な時間パターンを提供しておらず、そのようなコネクションの体系的な評価を制限している。 さらに、効果的なモデルレコメンデーションアプローチはなく、異なるダウンストリームアプリケーションで異なるアーキテクチャをテストする際に、高い時間とコストがかかる。 これらの理由から、時系列特性とモデリング戦略の関係を評価するためのフレームワークであるARIESを提案し、リアルな時系列に対する深い予測モデルを提案する。 まず、複数の異なるパターンを持つ合成データセットを構築し、時系列の性質を計算するための総合的なシステムを設計する。 次に、50以上の予測モデルの広範なベンチマークを行い、時系列特性とモデリング戦略の関係を確立する。 実験結果から明らかな相関関係が明らかになった。 これらの知見に基づいて,実世界の時系列に対して解釈可能な提案を行うことのできる,最初の深層予測モデルレコメンデータを提案する。 要約すると、ARIESは時系列データの性質とモデリング戦略の関係を確立する最初の研究であり、モデルレコメンデーションシステムも実装している。 コードは、https://github.com/blisky-li/ARIES.comで入手できる。

関連論文リスト

• Tailored Architectures for Time Series Forecasting: Evaluating Deep Learning Models on Gaussian Process-Generated Data [0.5573267589690007]
  時系列特性と特定のモデルとの明確な関係を明らかにすることを目的としている。 多様な時間的ダイナミクスを扱うのに適したモジュラーアーキテクチャを組み込んだ新しいモデルであるTimeFlexを紹介します。 このモデルは現在の最先端モデルと比較され、様々な時系列条件下でモデルがどのように機能するかをより深く理解する。
  論文  参考訳（メタデータ） (2025-06-10T16:46:02Z)
• Breaking Silos: Adaptive Model Fusion Unlocks Better Time Series Forecasting [64.45587649141842]
  時系列予測は多くの現実世界のアプリケーションにおいて重要な役割を果たす。 1つのモデルは、異なるテストサンプルで一貫して他よりも優れていますが、(ii) それぞれのモデルは特定のケースで優れています。 異種モデルのサンプルレベル適応融合による時系列予測のためのフレームワークであるTimeFuseを紹介する。
  論文  参考訳（メタデータ） (2025-05-24T00:45:07Z)
• Time Tracker: Mixture-of-Experts-Enhanced Foundation Time Series Forecasting Model with Decoupled Training Pipelines [5.543238821368548]
  時系列はしばしば、異なる時間帯と領域にまたがる時間パターンに顕著な多様性を示す。 Time Trackerは、精度、モデルの一般化、適応性を予測する際に最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-21T06:18:41Z)
• TimeFound: A Foundation Model for Time Series Forecasting [33.57877080300831]
  TimeFoundはエンコーダ・デコーダ・トランスフォーマーベースの時系列基礎モデルである。 複数のスケールで複雑な時間パターンをキャプチャするために,マルチレゾリューションパッチ方式を用いる。
  論文  参考訳（メタデータ） (2025-03-06T05:55:45Z)
• GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
  時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。 GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
  論文  参考訳（メタデータ） (2024-10-14T11:29:38Z)
• Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
  時系列データは、現実世界のシナリオにおいて非常に重要である。 近年、時系列コミュニティで顕著なブレークスルーが見られた。 多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
  論文  参考訳（メタデータ） (2024-07-18T08:31:55Z)
• Unified Long-Term Time-Series Forecasting Benchmark [0.6526824510982802]
  本稿では,時系列予測のための包括的データセットを提案する。 多様な動的システムと実生活記録から得られたデータセットのコレクションを組み込んだ。 多様なシナリオにおいて最も効果的なモデルを決定するために、古典的および最先端のモデルを用いて広範なベンチマーク分析を行う。 本研究は,これらのモデルの性能比較を興味深いものにし,モデルの有効性のデータセット依存性を強調した。
  論文  参考訳（メタデータ） (2023-09-27T18:59:00Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)

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。