論文の概要: OneCast: Structured Decomposition and Modular Generation for Cross-Domain Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2510.24028v2
• Date: Mon, 03 Nov 2025 01:49:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-04 14:12:27.985317
• Title: OneCast: Structured Decomposition and Modular Generation for Cross-Domain Time Series Forecasting
• Title（参考訳）: OneCast: クロスドメイン時系列予測のための構造化分解とモジュール生成
• Authors: Tingyue Pan, Mingyue Cheng, Shilong Zhang, Zhiding Liu, Xiaoyu Tao, Yucong Luo, Jintao Zhang, Qi Liu,
• Abstract要約: ドメイン間時系列の予測は、様々なWebアプリケーションにおいて貴重なタスクである。 OneCastは構造化されモジュール化された予測フレームワークで、時系列を季節およびトレンドコンポーネントに分解する。 8つのドメインでの実験では、OneCastは最先端のベースラインよりも優れています。
• 参考スコア（独自算出の注目度）: 21.91411439072952
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain time series forecasting is a valuable task in various web applications. Despite its rapid advancement, achieving effective generalization across heterogeneous time series data remains a significant challenge. Existing methods have made progress by extending single-domain models, yet often fall short when facing domain-specific trend shifts and inconsistent periodic patterns. We argue that a key limitation lies in treating temporal series as undifferentiated sequence, without explicitly decoupling their inherent structural components. To address this, we propose OneCast, a structured and modular forecasting framework that decomposes time series into seasonal and trend components, each modeled through tailored generative pathways. Specifically, the seasonal component is captured by a lightweight projection module that reconstructs periodic patterns via interpretable basis functions. In parallel, the trend component is encoded into discrete tokens at segment level via a semantic-aware tokenizer, and subsequently inferred through a masked discrete diffusion mechanism. The outputs from both branches are combined to produce a final forecast that captures seasonal patterns while tracking domain-specific trends. Extensive experiments across eight domains demonstrate that OneCast mostly outperforms state-of-the-art baselines.
• Abstract（参考訳）: ドメイン間時系列の予測は、様々なWebアプリケーションにおいて貴重なタスクである。 急速な進歩にもかかわらず、異種時系列データ間で効果的な一般化を達成することは大きな課題である。 既存の手法では、単一ドメインモデルを拡張することで進歩しているが、ドメイン固有のトレンドシフトや一貫性のない周期パターンに直面すると、しばしば不足する。 重要な制限は、時間列を、その固有の構造成分を明示的に分離することなく、未分化の列として扱うことであると論じる。 そこで本研究では,時系列を季節・トレンド成分に分解する構造化・モジュール化された予測フレームワークOneCastを提案する。 具体的には、季節成分は、解釈可能な基底関数を介して周期パターンを再構成する軽量プロジェクションモジュールによってキャプチャされる。 並行して、トレンドコンポーネントは意味認識トークン化器を介してセグメントレベルで離散トークンに符号化され、その後、マスク付き離散拡散機構を介して推論される。 両方のブランチからのアウトプットを組み合わせて最終予測を生成し、ドメイン固有のトレンドを追跡しながら季節パターンをキャプチャする。 8つの領域にわたる大規模な実験は、OneCastが最先端のベースラインよりも優れていることを示している。

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)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• Unify and Anchor: A Context-Aware Transformer for Cross-Domain Time Series Forecasting [26.59526791215]
  ドメイン間の時系列予測において,時間的パターンの複雑さと意味的ミスアライメントの2つの重要な課題を識別する。 本稿では,周波数成分を統一的な視点でアンタングルする"Unify and Anchor"転送パラダイムを提案する。 本稿では,構造化表現に時系列コーディネータを用いたTransformerベースのモデルであるContexTSTを紹介する。
  論文  参考訳（メタデータ） (2025-03-03T04:11:14Z)
• A Decomposition Modeling Framework for Seasonal Time-Series Forecasting [0.0]
  時系列は複雑な長期依存関係を示す。 本稿では、時系列予測のためのMSSD(Multi-scale Seasonal Decomposition Model)を提案する。
  論文  参考訳（メタデータ） (2024-12-12T01:37:25Z)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• Learning Pattern-Specific Experts for Time Series Forecasting Under Patch-level Distribution Shift [51.01356105618118]
  時系列はしばしば、季節、動作条件、意味的な意味など、セグメントごとに異なるパターンを持つ複雑な非一様分布を示す。 既存のアプローチでは、通常、これらのさまざまなパターンをキャプチャするために単一のモデルをトレーニングするが、しばしばパッチ間のパターンのドリフトに苦労する。 より正確で適応可能な時系列予測にパターン特化の専門家を活用する新しいアーキテクチャであるTFPSを提案する。
  論文  参考訳（メタデータ） (2024-10-13T13:35:29Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Temporal Saliency Detection Towards Explainable Transformer-based Timeseries Forecasting [3.046315755726937]
  本稿では、注意機構を基盤として、マルチ水平時系列予測に適用する効果的なアプローチであるTSD(Temporal Saliency Detection)を提案する。 TSD手法は, 多重ヘッドを凝縮することにより, 多分解能パターンの多分解能解析を容易にし, 複雑な時系列データの予測を段階的に向上させる。
  論文  参考訳（メタデータ） (2022-12-15T12:47:59Z)

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。