論文の概要: Fast Mining and Dynamic Time-to-Event Prediction over Multi-sensor Data Streams
- arxiv url: http://arxiv.org/abs/2601.04741v2
- Date: Thu, 15 Jan 2026 10:15:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-16 13:33:41.2239
- Title: Fast Mining and Dynamic Time-to-Event Prediction over Multi-sensor Data Streams
- Title（参考訳）: マルチセンサデータストリームを用いた高速マイニングと動的時系列予測
- Authors: Kota Nakamura, Koki Kawabata, Yasuko Matsubara, Yasushi Sakurai,
- Abstract要約: 本研究は,マルチセンサデータストリームを解析することにより,今後のイベントのタイミングを継続的に予測することを目的とする。
現実世界のデータストリームのキーとなる特徴は、そのダイナミックな性質であり、基礎となるパターンは時間とともに進化する。
我々は、これらの変化に適応し、将来のイベント時間の正確なリアルタイム予測を提供するよう設計された動的予測フレームワークであるTimeCastを紹介する。
- 参考スコア（独自算出の注目度）: 15.63942084384363
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Given real-time sensor data streams obtained from machines, how can we continuously predict when a machine failure will occur? This work aims to continuously forecast the timing of future events by analyzing multi-sensor data streams. A key characteristic of real-world data streams is their dynamic nature, where the underlying patterns evolve over time. To address this, we present TimeCast, a dynamic prediction framework designed to adapt to these changes and provide accurate, real-time predictions of future event time. Our proposed method has the following properties: (a) Dynamic: it identifies the distinct time-evolving patterns (i.e., stages) and learns individual models for each, enabling us to make adaptive predictions based on pattern shifts. (b) Practical: it finds meaningful stages that capture time-varying interdependencies between multiple sensors and improve prediction performance; (c) Scalable: our algorithm scales linearly with the input size and enables online model updates on data streams. Extensive experiments on real datasets demonstrate that TimeCast provides higher prediction accuracy than state-of-the-art methods while finding dynamic changes in data streams with a great reduction in computational time.
- Abstract（参考訳）: マシンから取得したリアルタイムセンサデータストリームを前提として,マシン障害の発生時期を継続的に予測するには,どうすればよいのか?
本研究は,マルチセンサデータストリームを解析することにより,今後のイベントのタイミングを継続的に予測することを目的とする。
現実世界のデータストリームのキーとなる特徴は、そのダイナミックな性質であり、基礎となるパターンは時間とともに進化する。
このような変化に適応し、将来のイベントタイムの正確なリアルタイム予測を提供するように設計された動的予測フレームワークであるTimeCastを提案する。
提案手法は以下の特性を有する。
(a)動的:異なる時間進化パターン(ステージ)を特定し、個々のモデルを学習し、パターンシフトに基づいた適応予測を可能にする。
b) 複数のセンサ間の時間変化の相互依存性を捕捉し,予測性能を向上させる有意義な段階を見出す。
(c)スケーラブル:我々のアルゴリズムは入力サイズと線形にスケールし,データストリームのオンラインモデル更新を可能にする。
実際のデータセットに対する大規模な実験により、TimeCastは最先端の手法よりも高い予測精度を提供する一方で、計算時間を大幅に削減したデータストリームの動的変化を発見できることを示した。
関連論文リスト
- Online Kernel Dynamic Mode Decomposition for Streaming Time Series Forecasting with Adaptive Windowing [3.6194446038160315]
WORK-DMD(Windowed Online Random Kernel Dynamic Mode Decomposition)を導入する。
WORK-DMDはローリングウィンドウ内でシャーマン・モリソンの更新を採用しており、現在のデータのみから進化するダイナミックスへの継続的な適応を可能にしている。
いくつかの領域にわたるベンチマークデータセットの実験は、WORK-DMDがいくつかの最先端のオンライン予測手法よりも高い精度を達成することを示している。
論文 参考訳（メタデータ） (2025-10-17T07:57:37Z) - UNet with Axial Transformer : A Neural Weather Model for Precipitation Nowcasting [0.06906005491572399]
本研究では,トランスフォーマーを用いた機械学習モデルを用いた降水予測手法を開発した。
本稿では,次のフレーム述語領域で使用されるデータセットの初期研究について述べる。
論文 参考訳（メタデータ） (2025-04-28T01:20:30Z) - Modeling Time-evolving Causality over Data Streams [6.897244582507126]
本稿では,データストリームの時間進化因果関係をモデル化するための新しいストリーミング手法であるModePlaitを提案する。
提案手法は, 時間的因果関係の発見や予測において, 最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2025-02-13T04:59:01Z) - A Predictive Approach To Enhance Time-Series Forecasting [6.377828331013327]
本稿では、時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。
本手法は2つのモデルから構成される: 重要事象を識別するために将来のデータを解析する検出モデルと、これらの事象を現在のデータに基づいて予測する予測モデルである。
脳波データを用いた発作予測ではAUC-ROCが44.8%増加し,非線形力学系ではMSEが23.4%減少した。
論文 参考訳（メタデータ） (2024-10-19T21:22:55Z) - Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。
具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。
また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
論文 参考訳（メタデータ） (2024-05-22T16:21:02Z) - TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。
提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。
我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文 参考訳（メタデータ） (2024-01-06T06:26:49Z) - Improved Predictive Deep Temporal Neural Networks with Trend Filtering [22.352437268596674]
本稿では,ディープニューラルネットワークとトレンドフィルタリングに基づく新しい予測フレームワークを提案する。
我々は,学習データをトレンドフィルタリングによって時間的に処理した場合,深部時相ニューラルネットワークの予測性能が向上することを明らかにする。
論文 参考訳（メタデータ） (2020-10-16T08:29:36Z)
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。