論文の概要: D-CTNet: A Dual-Branch Channel-Temporal Forecasting Network with Frequency-Domain Correction

• arxiv url: http://arxiv.org/abs/2512.00925v1
• Date: Sun, 30 Nov 2025 15:10:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.501941
• Title: D-CTNet: A Dual-Branch Channel-Temporal Forecasting Network with Frequency-Domain Correction
• Title（参考訳）: D-CTNet:周波数領域補正付きデュアルブランチチャネル・テンポラル予測ネットワーク
• Authors: Shaoxun Wang, Xingjun Zhang, Kun Xia, Qianyang Li, Jiawei Cao, Zhendong Tan,
• Abstract要約: Patch-based Dual-Branch Channel-Temporal Forecasting Network (D-CTNet)を提案する。 本手法は,チャネル内時間進化パターンと動的多変量相関を明示的に分離し,共同で学習する。 我々の研究は、産業協力システムのための新しい予測エンジンとして大きな可能性を秘めている。
• 参考スコア（独自算出の注目度）: 11.53114720089225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate Multivariate Time Series (MTS) forecasting is crucial for collaborative design of complex systems, Digital Twin building, and maintenance ahead of time. However, the collaborative industrial environment presents new challenges for MTS forecasting models: models should decouple complex inter-variable dependencies while addressing non-stationary distribution shift brought by environmental changes. To address these challenges and improve collaborative sensing reliability, we propose a Patch-Based Dual-Branch Channel-Temporal Forecasting Network (D-CTNet). Particularly, with a parallel dual-branch design incorporating linear temporal modeling layer and channel attention mechanism, our method explicitly decouples and jointly learns intra-channel temporal evolution patterns and dynamic multivariate correlations. Furthermore, a global patch attention fusion module goes beyond the local window scope to model long range dependencies. Most importantly, aiming at non-stationarity, a Frequency-Domain Stationarity Correction mechanism adaptively suppresses distribution shift impacts from environment change by spectrum alignment. Evaluations on seven benchmark datasets show that our model achieves better forecasting accuracy and robustness compared with state-of-the-art methods. Our work shows great promise as a new forecasting engine for industrial collaborative systems.
• Abstract（参考訳）: 正確な多変量時系列(MTS)予測は、複雑なシステムの協調設計、デジタルツインビルディング、事前の保守に不可欠である。 モデルは、環境変化に伴う非定常分布シフトに対処しながら、複雑な変数間の依存関係を分離すべきである。 これらの課題に対処し、協調センシング信頼性を向上させるために、Patch-based Dual-Branch Channel-Temporal Forecasting Network (D-CTNet)を提案する。 特に,線形時間モデル層とチャネルアテンション機構を併用した並列二分岐設計により,チャネル内時間進化パターンと動的多変量相関を明示的に分離し,共同学習する。 さらに、グローバルパッチアテンション融合モジュールは、ローカルウィンドウスコープを超えて、長距離依存性をモデル化する。 最も重要なことは、非定常性を目指して、周波数領域定常補正機構は、スペクトルアライメントによる環境変化からの分布シフトの影響を適応的に抑制する。 7つのベンチマークデータセットによる評価結果から,我々のモデルは最先端の手法と比較して予測精度とロバスト性の向上を図っている。 我々の研究は、産業協力システムのための新しい予測エンジンとして大きな可能性を秘めている。

関連論文リスト

• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• DUET: Dual Clustering Enhanced Multivariate Time Series Forecasting [13.05900224897486]
  実世界の時系列は、時間とともに分布の変化によって引き起こされる異質な時間パターンを示すことが多い。 チャネル間の相関は複雑で絡み合っており、チャネル間の相互作用を正確にかつ柔軟にモデル化することは困難である。 本稿では,時空間とチャネル次元に2つのクラスタリングを導入するDUETというフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-14T15:15:17Z)
• CMamba: Channel Correlation Enhanced State Space Models for Multivariate Time Series Forecasting [18.50360049235537]
  ステートスペースモデルであるMambaは、堅牢なシーケンスと機能ミキシング機能を備えている。 チャネル間の依存関係のキャプチャは、時系列予測のパフォーマンス向上に不可欠である。 時系列予測に適した改良されたマンバ変種を導入する。
  論文  参考訳（メタデータ） (2024-06-08T01:32:44Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint Multi-Agent Trajectory Prediction [73.25645602768158]
  IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。 我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
  論文  参考訳（メタデータ） (2023-03-01T15:16:56Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。