論文の概要: FreqFlow: Long-term forecasting using lightweight flow matching

• arxiv url: http://arxiv.org/abs/2511.16426v1
• Date: Thu, 20 Nov 2025 14:50:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.678507
• Title: FreqFlow: Long-term forecasting using lightweight flow matching
• Title（参考訳）: FreqFlow: 軽量フローマッチングによる長期予測
• Authors: Seyed Mohamad Moghadas, Bruno Cornelis, Adrian Munteanu,
• Abstract要約: 本稿では、周波数領域における条件付きフローマッチングを利用して決定論的MSS予測を行う新しいフレームワークであるFreqFlowを紹介する。 FreqFlowは予測問題をスペクトル領域に変換し、振幅と位相シフトをモデル化する。 実世界のトラフィック速度、ボリューム、フローデータセットに関する実験は、FreqFlowが最先端の予測性能を達成することを実証している。
• 参考スコア（独自算出の注目度）: 3.5235875824926346
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate time-series (MTS) forecasting is fundamental to applications ranging from urban mobility and resource management to climate modeling. While recent generative models based on denoising diffusion have advanced state-of-the-art performance in capturing complex data distributions, they suffer from significant computational overhead due to iterative stochastic sampling procedures that limit real-time deployment. Moreover, these models can be brittle when handling high-dimensional, non-stationary, and multi-scale periodic patterns characteristic of real-world sensor networks. We introduce FreqFlow, a novel framework that leverages conditional flow matching in the frequency domain for deterministic MTS forecasting. Unlike conventional approaches that operate in the time domain, FreqFlow transforms the forecasting problem into the spectral domain, where it learns to model amplitude and phase shifts through a single complex-valued linear layer. This frequency-domain formulation enables the model to efficiently capture temporal dynamics via complex multiplication, corresponding to scaling and temporal translations. The resulting architecture is exceptionally lightweight with only 89k parameters - an order of magnitude smaller than competing diffusion-based models-while enabling single-pass deterministic sampling through ordinary differential equation (ODE) integration. Our approach decomposes MTS signals into trend, seasonal, and residual components, with the flow matching mechanism specifically designed for residual learning to enhance long-term forecasting accuracy. Extensive experiments on real-world traffic speed, volume, and flow datasets demonstrate that FreqFlow achieves state-of-the-art forecasting performance, on average 7\% RMSE improvements, while being significantly faster and more parameter-efficient than existing methods
• Abstract（参考訳）: 多変量時系列予測(MTS)は、都市移動性や資源管理から気候モデリングまで、様々な応用に不可欠である。 近年のデノナイジング拡散に基づく生成モデルは、複雑なデータ分布をキャプチャする上で最先端の性能を保っているが、リアルタイムの展開を制限する反復的確率的サンプリング手順により、計算オーバーヘッドが著しく低下している。 さらに,これらのモデルは実世界のセンサネットワークに特徴的な高次元,非定常,マルチスケールの周期パターンを扱う際にも脆弱である。 本稿では、周波数領域における条件付きフローマッチングを利用して決定論的MSS予測を行う新しいフレームワークであるFreqFlowを紹介する。 時間領域で動作する従来のアプローチとは異なり、FreqFlowは予測問題をスペクトル領域に変換する。 この周波数領域の定式化により、スケーリングや時間変換に対応する複雑な乗法により、時間力学を効率的に捉えることができる。 結果として得られるアーキテクチャは、競合する拡散ベースのモデルよりも桁違いに小さい89kのパラメータしか持たない非常に軽量であり、通常の微分方程式(ODE)積分による単一パス決定的サンプリングを可能にする。 本手法は,MSS信号をトレンド,季節,残留成分に分解し,長期予測精度を高めるために,残差学習のためのフローマッチング機構を設計する。 実世界の交通速度、ボリューム、フローデータセットに関する大規模な実験により、FreqFlowは既存の手法よりもはるかに高速でパラメータ効率が高く、平均7\%のRMSEの改善で最先端の予測性能を達成することが示された。

関連論文リスト

• SEMPO: Lightweight Foundation Models for Time Series Forecasting [45.456949943052116]
  SEMPOは比較的小規模なデータに対する事前トレーニングを必要とする軽量な基礎モデルであるが、強い時系列予測を示す。 SEMPOは、1)エネルギーを意識したSpEctral分解モジュールと、事前学習データの利用を大幅に改善する2つの重要なモジュールから構成される。 16のデータセットをカバーする2つの大規模ベンチマークの実験は、ゼロショットと少数ショットの予測シナリオの両方でSEMPOの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-10-22T15:58:44Z)
• Operator Flow Matching for Timeseries Forecasting [2.406359246841227]
  既存の自己回帰と拡散に基づくアプローチは、長い、物理的に一貫した予測を制限する累積誤差や離散化アーチファクトに悩まされることが多い。 本研究では、FNO誤差の上限を証明し、チャネル折り畳みによるスパース条件付けを利用した潜時流マッチングモデルであるTempOを提案する。
  論文  参考訳（メタデータ） (2025-10-16T19:40:56Z)
• 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)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Convolutional Long Short-Term Memory Neural Networks Based Numerical Simulation of Flow Field [3.9561033879611944]
  ベースラインネットワークとして改良された畳み込み長短期記憶(Con-vLSTM)ニューラルネットワークを提案する。 円柱まわりの流れの数値シミュレーションを行った。 その結果、改良されたConvLSTMモデルにより、より時間的および空間的特徴を抽出できることが示されている。
  論文  参考訳（メタデータ） (2025-05-21T13:54:37Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• UmambaTSF: A U-shaped Multi-Scale Long-Term Time Series Forecasting Method Using Mamba [7.594115034632109]
  本稿では,新しい時系列予測フレームワークであるUmambaTSFを提案する。 U字型エンコーダ・デコーダ多層パーセプトロン(MLP)のマルチスケール特徴抽出機能とMambaのロングシーケンス表現を統合する。 UmambaTSFは、広く使用されているベンチマークデータセットで最先端のパフォーマンスと優れた汎用性を達成する。
  論文  参考訳（メタデータ） (2024-10-15T04:56:43Z)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Flow-based Spatio-Temporal Structured Prediction of Motion Dynamics [21.24885597341643]
  条件付き流れ (CNF) は、高次元と相互相関を持つ複雑な分布を表現できるフレキシブルな生成モデルである。 本研究では,時間的入力特徴の出力を自己回帰的に正規化する新しい手法としてMotionFlowを提案する。 本稿では,予測,動き予測時系列予測,二分節分割などのタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2021-04-09T14:30:35Z)

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。