論文の概要: DAG: A Dual Causal Network for Time Series Forecasting with Exogenous Variables

• arxiv url: http://arxiv.org/abs/2509.14933v1
• Date: Thu, 18 Sep 2025 13:14:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.231513
• Title: DAG: A Dual Causal Network for Time Series Forecasting with Exogenous Variables
• Title（参考訳）: DAG:外因性変数を用いた時系列予測のための二重因果ネットワーク
• Authors: Xiangfei Qiu, Yuhan Zhu, Zhengyu Li, Hanyin Cheng, Xingjian Wu, Chenjuan Guo, Bin Yang, Jilin Hu,
• Abstract要約: 時系列予測は、経済学、トラフィック、AIOpsなど、さまざまな分野において重要である。 本稿では,2つの因果ネットワークを時間次元とチャネル次元の両方に沿って利用する汎用フレームワークDAGを提案する。
• 参考スコア（独自算出の注目度）: 22.442282901647783
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time series forecasting is crucial in various fields such as economics, traffic, and AIOps. However, in real-world applications, focusing solely on the endogenous variables (i.e., target variables), is often insufficient to ensure accurate predictions. Considering exogenous variables (i.e., covariates) provides additional predictive information, thereby improving forecasting accuracy. However, existing methods for time series forecasting with exogenous variables (TSF-X) have the following shortcomings: 1) they do not leverage future exogenous variables, 2) they fail to account for the causal relationships between endogenous and exogenous variables. As a result, their performance is suboptimal. In this study, to better leverage exogenous variables, especially future exogenous variable, we propose a general framework DAG, which utilizes dual causal network along both the temporal and channel dimensions for time series forecasting with exogenous variables. Specifically, we first introduce the Temporal Causal Module, which includes a causal discovery module to capture how historical exogenous variables affect future exogenous variables. Following this, we construct a causal injection module that incorporates the discovered causal relationships into the process of forecasting future endogenous variables based on historical endogenous variables. Next, we propose the Channel Causal Module, which follows a similar design principle. It features a causal discovery module models how historical exogenous variables influence historical endogenous variables, and a causal injection module incorporates the discovered relationships to enhance the prediction of future endogenous variables based on future exogenous variables.
• Abstract（参考訳）: 時系列予測は、経済学、トラフィック、AIOpsなど、さまざまな分野において重要である。 しかし、現実世界のアプリケーションでは、内在変数(すなわち、対象変数)にのみ焦点をあてるだけでは、正確な予測を保証するには不十分であることが多い。 外因性変数(すなわち共変量)を考えると、追加の予測情報が提供され、予測精度が向上する。 しかし、外因性変数(TSF-X)を用いた時系列予測の既存の手法には、以下の欠点がある。 1) 将来の外因性変数を活用できない。 2) 内因性変数と外因性変数の因果関係は説明できない。 結果として、彼らのパフォーマンスは最適以下である。 本研究では,外因性変数,特に将来の外因性変数をよりよく活用するために,時間的およびチャネル的次元の両因性ネットワークを利用して,外因性変数を用いた時系列予測を行う汎用フレームワークDAGを提案する。 具体的には、まず時間的因果モジュールを導入し、因果探索モジュールを組み、歴史的外因性変数が将来の外因性変数にどのように影響するかをキャプチャする。 次に, 過去の内因性変数に基づいて, 将来の内因性変数を予測するプロセスに因果関係を組み込んだ因果注入モジュールを構築した。 次に,Channel Causal Moduleを提案する。 因果的発見モジュールは、歴史的外因性変数が歴史的内因性変数にどのように影響するかをモデル化し、因果的注入モジュールは、将来の外因性変数に基づく将来の内因性変数の予測を強化するために、発見された関係を組み込む。

関連論文リスト

• 2DXformer: Dual Transformers for Wind Power Forecasting with Dual Exogenous Variables [8.401357727849419]
  深層学習に基づく風力予測手法は,データ間の相関関係の抽出に重点を置いており,予測精度の大幅な向上を実現している。 しかし、時間的関係のモデリングが欠如しており、予測の精度が制限されている。 本稿では,風の時間的相関に着目した2DXformerを提案する。
  論文  参考訳（メタデータ） (2025-05-02T14:00:48Z)
• Causal vs. Anticausal merging of predictors [57.26526031579287]
  同じデータを用いて、因果方向と反因果方向の融合予測器から生じる差について検討した。 帰納的バイアスとしてCausal Maximum Entropy (CMAXENT) を用いて予測器をマージする。
  論文  参考訳（メタデータ） (2025-01-14T20:38:15Z)
• ExoTST: Exogenous-Aware Temporal Sequence Transformer for Time Series Prediction [11.511830352094353]
  時系列予測のためのトランスフォーマーベースのフレームワークであるExoTSTを提案する。 過去の変数と現在の変数を統合するために、ExoTSTは、新しい時間的相互モダリティ融合モジュールを導入した。 実世界の炭素フラックスデータセットと時系列ベンチマークの実験は、ExoTSTの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-10-16T03:04:37Z)
• TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables [75.83318701911274]
  TimeXerは外部情報を取り込み、内因性変数の予測を強化する。 TimeXerは、12の現実世界の予測ベンチマークで一貫した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） (2024-02-29T11:54:35Z)
• Causal Representation Learning from Multiple Distributions: A General Setting [21.73088044465267]
  本稿では,複数の分布からの因果表現学習の一般的,完全に非パラメトリックな設定について述べる。 因果的影響に対する適切な変化条件と、潜伏変数上のグラフの空間的制約の下で、基礎となる有向非巡回グラフのモラル化グラフを復元できることが示される。 場合によっては、ほとんどの潜伏変数はコンポーネントワイド変換まで回収できる。
  論文  参考訳（メタデータ） (2024-02-07T17:51:38Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)

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。