論文の概要: IndexNet: Timestamp and Variable-Aware Modeling for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2509.23813v2
• Date: Thu, 02 Oct 2025 07:33:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 14:32:17.139686
• Title: IndexNet: Timestamp and Variable-Aware Modeling for Time Series Forecasting
• Title（参考訳）: IndexNet:時系列予測のためのタイムスタンプと可変アウェアモデリング
• Authors: Beiliang Wu, Peiyuan Liu, Yifan Hu, Luyan Zhang, Ao Hu, Zenglin Xu,
• Abstract要約: IndexNetは、Index Embedding (IE)モジュールを備えたベクトルベースの拡張フレームワークである。 IEはタイムスタンプを埋め込みに変換し、入力シーケンスに注入することで、長期の複雑な周期パターンをキャプチャするモデルの能力を向上させる。 並行してCEは、各変数をそのインデックスに基づいてユニークで訓練可能なID埋め込みを割り当て、モデルが不均一な変数を明示的に区別できるようにする。
• 参考スコア（独自算出の注目度）: 35.17464235813366
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate time series forecasting (MTSF) plays a vital role in a wide range of real-world applications, such as weather prediction and traffic flow forecasting. Although recent advances have significantly improved the modeling of temporal dynamics and inter-variable dependencies, most existing methods overlook index-related descriptive information, such as timestamps and variable indices, which carry rich contextual semantics. To unlock the potential of such information and take advantage of the lightweight and powerful periodic capture ability of MLP-based architectures, we propose IndexNet, an MLP-based framework augmented with an Index Embedding (IE) module. The IE module consists of two key components: Timestamp Embedding (TE) and Channel Embedding (CE). Specifically, TE transforms timestamps into embedding vectors and injects them into the input sequence, thereby improving the model's ability to capture long-term complex periodic patterns. In parallel, CE assigns each variable a unique and trainable identity embedding based on its index, allowing the model to explicitly distinguish between heterogeneous variables and avoid homogenized predictions when input sequences seem close. Extensive experiments on 12 diverse real-world datasets demonstrate that IndexNet achieves comparable performance across mainstream baselines, validating the effectiveness of our temporally and variably aware design. Moreover, plug-and-play experiments and visualization analyses further reveal that IndexNet exhibits strong generality and interpretability, two aspects that remain underexplored in current MTSF research.
• Abstract（参考訳）: 多変量時系列予測(MTSF)は、天気予報や交通流予報など、幅広い現実世界の応用において重要な役割を果たす。 最近の進歩は時間的ダイナミックスと変数間の依存関係のモデリングを大幅に改善しているが、既存のほとんどのメソッドは、リッチな文脈意味論を持つタイムスタンプや変数インデックスのようなインデックス関連記述情報を見落としている。 このような情報の可能性を解き、MPPベースのアーキテクチャの軽量かつ強力な周期的キャプチャ機能を活用するために、Index Embedding (IE)モジュールを付加したMLPベースのフレームワークであるIndexNetを提案する。 IEモジュールは、Timestamp Embedding (TE)とChannel Embedding (CE)の2つの主要なコンポーネントで構成されている。 具体的には、TEはタイムスタンプを埋め込みベクトルに変換し、それらを入力シーケンスに注入することで、長期の複雑な周期パターンをキャプチャするモデルの能力を向上させる。 並行して、CEは各変数をそのインデックスに基づいて一意かつ訓練可能なID埋め込みを割り当て、入力シーケンスが近いように見えるとき、モデルが明確に異種変数を識別し、均質な予測を避けることができる。 12の多様な実世界のデータセットに対する大規模な実験は、IndexNetが主流のベースラインにわたって同等のパフォーマンスを達成し、時間的かつ可変的な設計の有効性を検証していることを示している。 さらに、プラグ・アンド・プレイの実験と可視化分析により、IndexNetは強力な汎用性と解釈可能性を示しており、この2つの側面は現在のMTSF研究で未解明のままである。

関連論文リスト

• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Metadata Matters for Time Series: Informative Forecasting with Transformers [70.38241681764738]
  時系列予測のためのMetaTST(Metadata-informed Time Series Transformer)を提案する。 メタデータの非構造化の性質に取り組むため、MetaTSTは、事前に設計されたテンプレートによってそれらを自然言語に形式化する。 Transformerエンコーダは、メタデータ情報によるシーケンス表現を拡張するシリーズトークンとメタデータトークンの通信に使用される。
  論文  参考訳（メタデータ） (2024-10-04T11:37:55Z)
• Distributed Lag Transformer based on Time-Variable-Aware Learning for Explainable Multivariate Time Series Forecasting [4.572747329528556]
  分散ラグ変換器(DLFormer)は、説明可能でスケーラブルな時系列モデルのための新しいトランスフォーマーアーキテクチャである。 DLFormerは分散ラグ埋め込みと時間変数認識学習(TVAL)機構を統合し、局所的およびグローバルな時間的依存関係の両方を構造的にモデル化する。 実験により、DLFormerは、変数の賢さと時間的ダイナミクスに対する堅牢で解釈可能な洞察を提供しながら、予測精度を達成することが示された。
  論文  参考訳（メタデータ） (2024-08-29T20:39:54Z)
• UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
  フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。 提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
  論文  参考訳（メタデータ） (2024-06-07T14:39:28Z)
• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)
• TEMPO: Prompt-based Generative Pre-trained Transformer for Time Series Forecasting [24.834846119163885]
  本稿では,時系列表現を効果的に学習できる新しいフレームワークTEMPOを提案する。 TEMPOは、様々な領域のデータから現実世界の時間現象を動的にモデル化する機能を拡張する。
  論文  参考訳（メタデータ） (2023-10-08T00:02:25Z)
• PSEUDo: Interactive Pattern Search in Multivariate Time Series with Locality-Sensitive Hashing and Relevance Feedback [3.347485580830609]
  PSEUDoは、マルチトラックシーケンシャルデータにおける視覚パターンを探索するための適応的機能学習技術である。 提案アルゴリズムは,サブ線形学習と推論時間を特徴とする。 我々は,PSEUDoの効率,精度,操縦性において優位性を示す。
  論文  参考訳（メタデータ） (2021-04-30T13:00:44Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。