論文の概要: Effective Series Decomposition and Components Learning for Time Series Generation

• arxiv url: http://arxiv.org/abs/2511.00747v1
• Date: Sun, 02 Nov 2025 00:15:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.917895
• Title: Effective Series Decomposition and Components Learning for Time Series Generation
• Title（参考訳）: 時系列生成のための効率的な時系列分解とコンポーネント学習
• Authors: Zixuan Ma, Chenfeng Huang,
• Abstract要約: 本稿では,時系列生成のための新しいフレームワークである季節トレンド拡散(STDiffusion)を紹介する。 STDiffusionは、確率モデルと高度な学習可能な直列分解技術を統合する。 本研究は,STDiffusionが信頼性の高い結果を得ることを示し,その堅牢性と汎用性を強調した。
• 参考スコア（独自算出の注目度）: 2.4675755217083317
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series generation focuses on modeling the underlying data distribution and resampling to produce authentic time series data. Key components, such as trend and seasonality, drive temporal fluctuations, yet many existing approaches fail to employ interpretative decomposition methods, limiting their ability to synthesize meaningful trend and seasonal patterns. To address this gap, we introduce Seasonal-Trend Diffusion (STDiffusion), a novel framework for multivariate time series generation that integrates diffusion probabilistic models with advanced learnable series decomposition techniques, enhancing the interpretability of the generation process. Our approach separates the trend and seasonal learning into distinct blocks: a Multi-Layer Perceptron (MLP) structure captures the trend, while adaptive wavelet distillation facilitates effective multi-resolution learning of seasonal components. This decomposition improves the interpretability of the model on multiple scales. In addition, we designed a comprehensive correction mechanism aimed at ensuring that the generated components exhibit a high degree of internal consistency and preserve meaningful interrelationships with one another. Our empirical studies on eight real-world datasets demonstrate that STDiffusion achieves state-of-the-art performance in time series generation tasks. Furthermore, we extend the model's application to multi-window long-sequence time series generation, which delivered reliable results and highlighted its robustness and versatility.
• Abstract（参考訳）: 時系列生成は、実際の時系列データを生成するために、基礎となるデータ分散と再サンプリングをモデル化することに焦点を当てる。 傾向や季節性といった重要な要素は時間的変動を引き起こすが、多くの既存手法は解釈的分解法を採用しず、意味のある傾向や季節パターンを合成する能力を制限する。 このギャップに対処するため,多変量時系列生成のための新しいフレームワークSTDiffusionを導入する。このフレームワークは,拡散確率モデルと高度に学習可能な直列分解技術を統合し,生成プロセスの解釈可能性を高める。 マルチ層パーセプトロン (MLP) 構造は傾向を捉え, 適応ウェーブレット蒸留は季節成分の効率的な多段階学習を促進する。 この分解により、モデルの複数のスケールでの解釈可能性が改善される。 さらに,生成したコンポーネントが高い内部整合性を示し,相互に有意義な相互関係を維持することを目的とした包括的補正機構を設計した。 実世界の8つのデータセットに関する実証研究は,STDiffusionが時系列生成タスクにおいて最先端のパフォーマンスを達成することを示す。 さらに,モデルの適用範囲をマルチウィンドウ長周期時系列生成に拡張し,信頼性の高い結果を提供し,その堅牢性と汎用性を強調した。

関連論文リスト

• Ister: Inverted Seasonal-Trend Decomposition Transformer for Explainable Multivariate Time Series Forecasting [10.32586981170693]
  Inverted Seasonal-Trend Decomposition Transformer (Ister) 本稿では,解釈可能性,計算効率,予測精度を向上させる新しいDotアテンション機構を提案する。 Isterはコンポーネントのコントリビューションを直感的に視覚化し、モデルの意思決定プロセスに光を流し、予測結果の透明性を高める。
  論文  参考訳（メタデータ） (2024-12-25T06:37:19Z)
• Conditional Denoising Meets Polynomial Modeling: A Flexible Decoupled Framework for Time Series Forecasting [5.770377200028654]
  本稿では,複雑な時間パターンをモデル化するための条件記述型多項式モデリング(CDPM)フレームワークを提案する。 結合した時系列をモデル化する代わりに、CDPMはそれを傾向と季節的な要素に分解し、個別にモデル化する。 スムーズなトレンドコンポーネントに対しては、歴史的依存関係を組み込んで線形モデルを強化するモジュールが提案されている。
  論文  参考訳（メタデータ） (2024-10-17T06:20:43Z)
• 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)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)

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。