論文の概要: PRISM: A hierarchical multiscale approach for time series forecasting

• arxiv url: http://arxiv.org/abs/2512.24898v1
• Date: Wed, 31 Dec 2025 14:51:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.681944
• Title: PRISM: A hierarchical multiscale approach for time series forecasting
• Title（参考訳）: PRISM:時系列予測のための階層的マルチスケールアプローチ
• Authors: Zihao Chen, Alexandre Andre, Wenrui Ma, Ian Knight, Sergey Shuvaev, Eva Dyer,
• Abstract要約: 実世界の時系列には、グローバルなトレンド、局所的なきめ細かい構造、そしてその中間の複数のスケールの特徴の両方が含まれている。 本稿では,この課題に対処する新しい予測手法であるPRISMを提案する。 ベンチマークデータセットを用いた実験により、我々の手法は予測のための最先端の手法よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 42.91635448262212
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting is critical in areas such as finance, biology, and healthcare. Despite the progress in the field, making accurate forecasts remains challenging because real-world time series contain both global trends, local fine-grained structure, and features on multiple scales in between. Here, we present a new forecasting method, PRISM (Partitioned Representation for Iterative Sequence Modeling), that addresses this challenge through a learnable tree-based partitioning of the signal. At the root of the tree, a global representation captures coarse trends in the signal, while recursive splits reveal increasingly localized views of the signal. At each level of the tree, data are projected onto a time-frequency basis (e.g., wavelets or exponential moving averages) to extract scale-specific features, which are then aggregated across the hierarchy. This design allows the model to jointly capture global structure and local dynamics of the signal, enabling accurate forecasting. Experiments across benchmark datasets show that our method outperforms state-of-the-art methods for forecasting. Overall, these results demonstrate that our hierarchical approach provides a lightweight and flexible framework for forecasting multivariate time series. The code is available at https://github.com/nerdslab/prism.
• Abstract（参考訳）: 予測は金融、生物学、医療などの分野において重要である。 この分野の進展にもかかわらず、実世界の時系列には、グローバルなトレンド、局所的なきめ細かい構造、そして複数のスケールの特徴の両方が含まれているため、正確な予測は依然として困難である。 本稿では、この課題に対処する新しい予測手法であるPRISM(Partitioned Representation for Iterative Sequence Modeling)を提案する。 木の根元では、大域的な表現は信号の粗い傾向を捉え、再帰的な分割は信号の局所的な見方を増す。 ツリーの各レベルにおいて、データは時間周波数ベース(例えばウェーブレットや指数移動平均)に投影され、スケール固有の特徴を抽出し、階層に集約される。 この設計により、モデルは信号のグローバルな構造と局所的なダイナミクスを共同で捉えることができ、正確な予測が可能になる。 ベンチマークデータセットを用いた実験により、我々の手法は予測のための最先端の手法よりも優れていることが示された。 これらの結果は、階層的アプローチが多変量時系列を予測するための軽量で柔軟なフレームワークを提供することを示している。 コードはhttps://github.com/nerdslab/prism.comで公開されている。

関連論文リスト

• S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
  既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。 これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。 本稿では,構造的空間的注意を新たに提案する。 空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。 ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
  論文  参考訳（メタデータ） (2025-09-10T05:33:28Z)
• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
  我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。 提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
  論文  参考訳（メタデータ） (2024-12-06T18:22:59Z)
• 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)
• RPMixer: Shaking Up Time Series Forecasting with Random Projections for Large Spatial-Temporal Data [33.0546525587517]
  RPMixer と呼ばれる全MLP時系列予測アーキテクチャを提案する。 提案手法は,各ブロックがアンサンブルモデルにおいてベース学習者のように振る舞う深層ニューラルネットワークのアンサンブル的挙動に乗じる。
  論文  参考訳（メタデータ） (2024-02-16T07:28:59Z)
• Topological Attention for Time Series Forecasting [9.14716126400637]
  永続的ホモロジーによって得られた$textitlocal topological properties$は、信頼できる信号として機能するかどうかを考察する。 歴史データの時間的地平線内における局所的な位相的特徴への参加を可能にする$textittopological attention$を提案する。
  論文  参考訳（メタデータ） (2021-07-19T17:24:05Z)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)
• A machine learning approach for forecasting hierarchical time series [4.157415305926584]
  階層時系列を予測するための機械学習手法を提案する。 予測整合は予測を調整し、階層をまたいで一貫性を持たせるプロセスである。 我々は、階層構造をキャプチャする情報を抽出するディープニューラルネットワークの能力を利用する。
  論文  参考訳（メタデータ） (2020-05-31T22:26:16Z)

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。