論文の概要: TimeCatcher: A Variational Framework for Volatility-Aware Forecasting of Non-Stationary Time Series

• arxiv url: http://arxiv.org/abs/2601.20448v1
• Date: Wed, 28 Jan 2026 10:06:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.889324
• Title: TimeCatcher: A Variational Framework for Volatility-Aware Forecasting of Non-Stationary Time Series
• Title（参考訳）: TimeCatcher: 不安定性を考慮した非定常時系列予測のための変分フレームワーク
• Authors: Zhiyu Chen, Minhao Liu, Yanru Zhang,
• Abstract要約: 我々は,新しいボラティリティを考慮した変動予測フレームワークであるTimeCatcherを提案する。 TimeCatcherは線形アーキテクチャを拡張し、変動エンコーダを使用して、履歴データに隠された潜在動的パターンをキャプチャする。 9つの実世界のデータセットの実験は、TimeCatcherが一貫して最先端のベースラインを上回っていることを示している。
• 参考スコア（独自算出の注目度）: 10.101769981379002
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent lightweight MLP-based models have achieved strong performance in time series forecasting by capturing stable trends and seasonal patterns. However, their effectiveness hinges on an implicit assumption of local stationarity assumption, making them prone to errors in long-term forecasting of highly non-stationary series, especially when abrupt fluctuations occur, a common challenge in domains like web traffic monitoring. To overcome this limitation, we propose TimeCatcher, a novel Volatility-Aware Variational Forecasting framework. TimeCatcher extends linear architectures with a variational encoder to capture latent dynamic patterns hidden in historical data and a volatility-aware enhancement mechanism to detect and amplify significant local variations. Experiments on nine real-world datasets from traffic, financial, energy, and weather domains show that TimeCatcher consistently outperforms state-of-the-art baselines, with particularly large improvements in long-term forecasting scenarios characterized by high volatility and sudden fluctuations. Our code is available at https://github.com/ColaPrinceCHEN/TimeCatcher.
• Abstract（参考訳）: 最近の軽量MLPモデルでは, 時系列予測において, 安定した傾向と季節パターンを捉えることで, 高い性能を達成している。 しかし、その有効性は局所定常性の仮定の暗黙的な仮定に基づいており、特に急激な変動が発生した場合、特にWebトラフィック監視のような領域ではよくある課題である、高度に定常な系列の長期予測におけるエラーを生じさせる。 この制限を克服するために,新しい変動予測フレームワークであるTimeCatcherを提案する。 TimeCatcherは、線形アーキテクチャを拡張し、変動エンコーダを使用して、履歴データに隠された潜時動的パターンをキャプチャし、重要な局所的変動を検出し増幅するためのボラティリティ対応の強化メカニズムを提供する。 交通、金融、エネルギー、気象の9つの実世界のデータセットの実験は、TimeCatcherが常に最先端のベースラインを上回り、特に高いボラティリティと突然の変動を特徴とする長期予測シナリオを大きく改善していることを示している。 私たちのコードはhttps://github.com/ColaPrinceCHEN/TimeCatcher.comで利用可能です。

関連論文リスト

• 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)
• 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)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Multiscale Representation Enhanced Temporal Flow Fusion Model for Long-Term Workload Forecasting [19.426131129034115]
  本稿では,自己指導型マルチスケール表現学習を利用して,長期および短期のワークロードパターンを抽出する新しいフレームワークを提案する。 長期履歴はマルチスケール表現によって符号化され、短期観測は時流融合によってモデル化される。
  論文  参考訳（メタデータ） (2024-07-29T04:42:18Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Mitigating Data Redundancy to Revitalize Transformer-based Long-Term Time Series Forecasting System [46.39662315849883]
  本稿では,カリキュラム学習とメモリ駆動デコーダによる冗長性を緩和する新しいフレームワークであるCLMFormerを紹介する。 CLMFormerはTransformerベースのモデルを最大30%改善し、長距離予測の有効性を示している。
  論文  参考訳（メタデータ） (2022-07-16T04:05:15Z)

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。