論文の概要: NetBurst: Event-Centric Forecasting of Bursty, Intermittent Time Series

• arxiv url: http://arxiv.org/abs/2510.22397v1
• Date: Sat, 25 Oct 2025 18:48:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 17:41:21.962494
• Title: NetBurst: Event-Centric Forecasting of Bursty, Intermittent Time Series
• Title（参考訳）: NetBurst:イベント中心のイベント予測
• Authors: Satyandra Guthula, Jaber Daneshamooz, Charles Fleming, Ashish Kundu, Walter Willinger, Arpit Gupta,
• Abstract要約: NetBurstはイベント中心のフレームワークで、予測をバースト発生時の予測と、その規模として再定義する。 私たちの研究は、B.Mandelbrot氏の先駆的な研究を活用して、爆発的、断続的、重尾的な体制を予測することで、現代のAIが享受できるメリットを強調しています。
• 参考スコア（独自算出の注目度）: 17.07967479746409
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Forecasting on widely used benchmark time series data (e.g., ETT, Electricity, Taxi, and Exchange Rate, etc.) has favored smooth, seasonal series, but network telemetry time series -- traffic measurements at service, IP, or subnet granularity -- are instead highly bursty and intermittent, with heavy-tailed bursts and highly variable inactive periods. These properties place the latter in the statistical regimes made famous and popularized more than 20 years ago by B.~Mandelbrot. Yet forecasting such time series with modern-day AI architectures remains underexplored. We introduce NetBurst, an event-centric framework that reformulates forecasting as predicting when bursts occur and how large they are, using quantile-based codebooks and dual autoregressors. Across large-scale sets of production network telemetry time series and compared to strong baselines, such as Chronos, NetBurst reduces Mean Average Scaled Error (MASE) by 13--605x on service-level time series while preserving burstiness and producing embeddings that cluster 5x more cleanly than Chronos. In effect, our work highlights the benefits that modern AI can reap from leveraging Mandelbrot's pioneering studies for forecasting in bursty, intermittent, and heavy-tailed regimes, where its operational value for high-stakes decision making is of paramount interest.
• Abstract（参考訳）: 広く使われているベンチマーク時系列データ(例えば、ETT、Electricity、Taxi、Exchange Rateなど)の予測は、スムーズで季節的な時系列を好んでいるが、ネットワークテレメトリの時系列 - サービス、IP、サブネットの粒度のトラフィック測定 - は、高いバーストと断続的である。 これらの性質は、Bによって20年以上前に有名で大衆化された統計政権において後者を位置づけている。 マンデルブロ。 しかし、現代のAIアーキテクチャによるこのような時系列の予測はまだ未定だ。 NetBurstは、量子ベースのコードブックとデュアルオートレグレシタを使用して、バーストの発生時期とサイズを予測するように予測を再構築するイベント中心のフレームワークである。 大規模な生産ネットワークテレメトリ時系列のセットと、Chronosのような強力なベースラインと比較して、NetBurstは、サービスレベルの時系列で平均スケールエラー(MASE)を13～605倍削減し、バーストを保存し、Chronosよりも5倍クリーンな埋め込みを生成する。 実際、我々の研究は、マンデルブロットの先駆的な研究を活用してバースト、断続的、重尾的な体制を予測することで、現代のAIが享受できる利点を強調しています。

関連論文リスト

• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• Unlocking the Potential of Linear Networks for Irregular Multivariate Time Series Forecasting [24.802227163932322]
  時系列予測は、金融、交通、エネルギー、医療、気候など様々な産業において重要な意味を持つ。 本稿では,時系列内不整合に対応するために,観測時刻に応じて動的に重みを調整できる適応線形ネットワークを提案する。 4つのベンチマークデータセットにわたる総合的な実験は、AITの優位性を実証し、予測精度を11%改善し、既存の最先端手法と比較してランタイムを52%削減した。
  論文  参考訳（メタデータ） (2025-05-01T15:24:48Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
  本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。 事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。 多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
  論文  参考訳（メタデータ） (2024-02-04T06:55:55Z)
• OFTER: An Online Pipeline for Time Series Forecasting [3.9962751777898955]
  OFTERは、中規模の多変量時系列に適した時系列予測パイプラインである。 オンラインタスク用に特別に設計されており、解釈可能な出力を持ち、いくつかの最先端のアートベースラインを上回ります。 アルゴリズムの計算効率、オンラインの性質、低信号対雑音方式での運用能力により、OFTERは金融時系列問題に理想的なアプローチとなる。
  論文  参考訳（メタデータ） (2023-04-08T00:18:03Z)
• Mitigating Data Redundancy to Revitalize Transformer-based Long-Term Time Series Forecasting System [46.39662315849883]
  本稿では,カリキュラム学習とメモリ駆動デコーダによる冗長性を緩和する新しいフレームワークであるCLMFormerを紹介する。 CLMFormerはTransformerベースのモデルを最大30%改善し、長距離予測の有効性を示している。
  論文  参考訳（メタデータ） (2022-07-16T04:05:15Z)
• Parallel Spatio-Temporal Attention-Based TCN for Multivariate Time Series Prediction [4.211344046281808]
  予測ウィンドウの拡張を支援するために注意を払っているリカレントニューラルネットワークは、このタスクの最先端技術である。 それらの消失する勾配、短い記憶、シリアルアーキテクチャは、複雑なデータによる長距離予測にRNNを根本的に不適当にしている、と我々は主張する。 そこで我々は,PSTA-TCNというフレームワークを提案する。これは並列時間的注意機構を組み合わして,動的内部相関を積み重ねたTCNバックボーンから抽出する。
  論文  参考訳（メタデータ） (2022-03-02T09:27:56Z)
• Optimal Latent Space Forecasting for Large Collections of Short Time Series Using Temporal Matrix Factorization [0.0]
  複数の手法を評価し、それらの方法の1つを選択することや、最良の予測を生成するためのアンサンブルを選択するのが一般的である。 本稿では,低ランク時間行列係数化と潜在時系列上での最適モデル選択を組み合わせることで,短時間の高次元時系列データを予測するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-15T11:39:21Z)
• 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)
• Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of Time Series [77.47313102926017]
  Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。 それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。 radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
  論文  参考訳（メタデータ） (2021-02-15T00:57:28Z)

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。