論文の概要: Sliding-Window Signatures for Time Series: Application to Electricity Demand Forecasting

• arxiv url: http://arxiv.org/abs/2510.12337v1
• Date: Tue, 14 Oct 2025 09:49:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.273125
• Title: Sliding-Window Signatures for Time Series: Application to Electricity Demand Forecasting
• Title（参考訳）: 時系列のスライディング・ウィンドウシグナチャ:電力需要予測への応用
• Authors: Nina Drobac, Margaux Brégère, Joseph de Vilmarest, Olivier Wintenberger,
• Abstract要約: そこで我々は,スライディングウインドウ上でのシグネチャ特徴を用いたリッジ回帰に基づく新しい予測フレームワークを提案する。 我々は、理論的な保証、すなわち、近似の普遍性とシグネチャの定常性を確立する。 その結果,シグネチャの特徴は時間的および非線形の依存関係を効果的に符号化し,専門家の知識に基づいて正確な予測を行うことができた。
• 参考スコア（独自算出の注目度）: 2.8173956667218305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nonlinear and delayed effects of covariates often render time series forecasting challenging. To this end, we propose a novel forecasting framework based on ridge regression with signature features calculated on sliding windows. These features capture complex temporal dynamics without relying on learned or hand-crafted representations. Focusing on the discrete-time setting, we establish theoretical guarantees, namely universality of approximation and stationarity of signatures. We introduce an efficient sequential algorithm for computing signatures on sliding windows. The method is evaluated on both synthetic and real electricity demand data. Results show that signature features effectively encode temporal and nonlinear dependencies, yielding accurate forecasts competitive with those based on expert knowledge.
• Abstract（参考訳）: 共変量による非線形および遅延効果は、しばしば時系列予測に挑戦する。 そこで本研究では,スライドウインドウ上でのシグネチャ特徴を用いたリッジ回帰に基づく新しい予測フレームワークを提案する。 これらの特徴は、学習や手作りの表現に頼ることなく、複雑な時間的ダイナミクスを捉える。 離散時間設定に着目して、理論的な保証、すなわち、近似の普遍性とシグネチャの定常性を確立する。 スライドウィンドウ上でシグネチャを計算するための効率的な逐次アルゴリズムを提案する。 本手法は, 実電力需要データと合成電力需要データの両方で評価する。 その結果,シグネチャの特徴は時間的および非線形の依存関係を効果的に符号化し,専門家の知識に基づいて正確な予測を行うことができた。

関連論文リスト

• GenFacts-Generative Counterfactual Explanations for Multi-Variate Time Series [5.364986293275663]
  提案するTextbfGenFactsは、可塑性および作用可能な対実的説明を生成するための新しい生成フレームワークである。 我々は,レーダジェスチャ認識に関するGenFactsを産業的ユースケースとして評価し,手書き文字トラジェクトリを直感的なベンチマークとして検討した。
  論文  参考訳（メタデータ） (2025-09-25T09:22:19Z)
• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  時系列における不確実性定量化の問題を相関配列を利用して解決する。 共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• Augmented Contrastive Clustering with Uncertainty-Aware Prototyping for Time Series Test Time Adaptation [28.793983148042134]
  テストタイム適応は、推論中にオンラインの未ラベルのテストデータのみを使用して、トレーニング済みのディープニューラルネットワークに適応することを目的としている。 既存のTTA手法は、もともと視覚タスク用に設計されたもので、実世界の時系列データの複雑な時間的ダイナミクスを効果的に扱えない可能性がある。 本稿では,時系列データに対する単純かつ効果的なTTA手法であるACCUP(Augmented Contrastive Clustering with Uncertainty-aware Prototyping)を提案する。
  論文  参考訳（メタデータ） (2025-01-01T11:45:17Z)
• Generative Spatio-temporal GraphNet for Transonic Wing Pressure Distribution Forecasting [0.0]
  このフレームワークは、オートエンコーダを用いて、高次元の圧力分布データを低次元の潜在空間に圧縮する。 グラフベースの時間層は、過去のデータに基づいて将来の翼圧力を予測するために使用される。 提案フレームワークの有効性は,Benchmark Super critical Wingテストケースへの適用を通じて検証される。
  論文  参考訳（メタデータ） (2024-11-18T14:10:20Z)
• From Link Prediction to Forecasting: Addressing Challenges in Batch-based Temporal Graph Learning [0.716879432974126]
  バッチ指向評価の適合性はデータセットの特性に依存することを示す。 連続時間時間グラフの場合、固定サイズのバッチは異なる期間の時間ウィンドウを生成し、不整合な動的リンク予測タスクをもたらす。 離散時間時間時間グラフの場合、バッチのシーケンスはデータに存在しない時間的依存関係を付加することができる。
  論文  参考訳（メタデータ） (2024-06-07T12:45:12Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Synergetic Learning of Heterogeneous Temporal Sequences for Multi-Horizon Probabilistic Forecasting [48.8617204809538]
  本稿では,新しい条件生成モデルである変分相乗型マルチホライゾンネットワーク(VSMHN)を提案する。 不均一なシーケンス間で複雑な相関関係を学習するために、深部プロセスモデルと変動的リカレントニューラルネットワークの進歩を組み合わせるために、調整されたエンコーダが考案された。 我々のモデルは変動予測を用いて効果的に訓練でき、モンテカルロシミュレーションを用いて予測を生成することができる。
  論文  参考訳（メタデータ） (2021-01-31T11:00:55Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Conditional Sig-Wasserstein GANs for Time Series Generation [8.593063679921109]
  GAN(Generative Adversarial Network)は、高次元の確率測度からサンプルを生成するのに非常に成功した。 これらの手法は時系列データによって誘導される関節確率分布の時間的依存を捉えるのに苦労する。 時系列データストリームはターゲット空間の次元を大幅に増加させ、生成的モデリングが不可能になる可能性がある。 本稿では,Wasserstein-GANを数学的原理と効率的な経路特徴抽出と統合した汎用条件付きSig-WGANフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-09T17:38:55Z)

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。