論文の概要: DA-SPS: A Dual-stage Network based on Singular Spectrum Analysis, Patching-strategy and Spearman-correlation for Multivariate Time-series Prediction

• arxiv url: http://arxiv.org/abs/2601.21381v1
• Date: Thu, 29 Jan 2026 08:17:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.664069
• Title: DA-SPS: A Dual-stage Network based on Singular Spectrum Analysis, Patching-strategy and Spearman-correlation for Multivariate Time-series Prediction
• Title（参考訳）: DA-SPS:多変量時系列予測のためのSingular Spectrum Analysis, Patching-strategy, Spearman-correlationに基づく2段階ネットワーク
• Authors: Tianhao Zhang, Shusen Ma, Yu Kang, Yun-Bo Zhao,
• Abstract要約: 本稿では,異なる変数の情報特性に基づいて特徴抽出に異なるモジュールを採用するDA-SPSモデルを提案する。 4つの公開データセットの結果は、DA-SPSモデルが既存の最先端手法よりも優れていることを示している。
• 参考スコア（独自算出の注目度）: 11.52443220370512
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate time-series forecasting, as a typical problem in the field of time series prediction, has a wide range of applications in weather forecasting, traffic flow prediction, and other scenarios. However, existing works do not effectively consider the impact of extraneous variables on the prediction of the target variable. On the other hand, they fail to fully extract complex sequence information based on various time patterns of the sequences. To address these drawbacks, we propose a DA-SPS model, which adopts different modules for feature extraction based on the information characteristics of different variables. DA-SPS mainly consists of two stages: the target variable processing stage (TVPS) and the extraneous variables processing stage (EVPS). In TVPS, the model first uses Singular Spectrum Analysis (SSA) to process the target variable sequence and then uses Long Short-Term Memory (LSTM) and P-Conv-LSTM which deploys a patching strategy to extract features from trend and seasonality components, respectively. In EVPS, the model filters extraneous variables that have a strong correlation with the target variate by using Spearman correlation analysis and further analyses them using the L-Attention module which consists of LSTM and attention mechanism. Finally, the results obtained by TVPS and EVPS are combined through weighted summation and linear mapping to produce the final prediction. The results on four public datasets demonstrate that the DA-SPS model outperforms existing state-of-the-art methods. Additionally, its performance in real-world scenarios is further validated using a private dataset collected by ourselves, which contains the test items' information on laptop motherboards.
• Abstract（参考訳）: 多変量時系列予測は、時系列予測の分野で典型的な問題であり、天気予報、交通流予測などのシナリオに幅広い応用がある。 しかし、既存の研究は、対象変数の予測に対する外部変数の影響を効果的に考慮していない。 一方, 時系列の様々な時間パターンに基づいて, 複雑なシーケンス情報を完全に抽出することはできなかった。 これらの欠点に対処するために、異なる変数の情報特性に基づいて特徴抽出に異なるモジュールを採用するDA-SPSモデルを提案する。 DA-SPSは主に、ターゲット変数処理段階(TVPS)と外部変数処理段階(EVPS)の2段階からなる。 TVPSでは、まずSingular Spectrum Analysis (SSA) を使用して、ターゲットの変数シーケンスを処理し、次にLong Short-Term Memory (LSTM) とP-Conv-LSTMを使用して、それぞれトレンドと季節成分から特徴を抽出するパッチ戦略を展開する。 EVPSでは、スピアマン相関解析を用いて、ターゲット変数と強い相関を持つ外部変数をフィルタリングし、LSTMとアテンション機構からなるL-Attentionモジュールを用いて解析する。 最後に、TVPSとEVPSで得られた結果を重み付け和と線形写像によって組み合わせ、最終的な予測を生成する。 4つの公開データセットの結果は、DA-SPSモデルが既存の最先端手法よりも優れていることを示している。 さらに、実世界のシナリオにおけるそのパフォーマンスは、ラップトップマザーボード上のテスト項目の情報を含む、自分自身が収集したプライベートデータセットを使用してさらに検証される。

関連論文リスト

• Synapse: Adaptive Arbitration of Complementary Expertise in Time Series Foundational Models [50.877082340479085]
  時系列基礎モデル (TSFM) の違いが, 様々な予測設定にまたがって, 特定の性能プロファイルを示すかを検討する。 TSFMの新しい調停フレームワークであるSynapseを提案する。 その結果、Synapseは個々のTSFMだけでなく、他の一般的なアンサンブル技術よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-11-07T18:01:51Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• EDformer: Embedded Decomposition Transformer for Interpretable Multivariate Time Series Predictions [4.075971633195745]
  本稿では,時系列予測タスクのための組込みトランス「EDformer」を提案する。 基本要素を変更することなく、Transformerアーキテクチャを再利用し、その構成部品の有能な機能について検討する。 このモデルは、複雑な実世界の時系列データセットの精度と効率の観点から、最先端の予測結果を得る。
  論文  参考訳（メタデータ） (2024-12-16T11:13:57Z)
• VE: Modeling Multivariate Time Series Correlation with Variate Embedding [0.4893345190925178]
  現在のチャネル非依存(CI)モデルとCI最終射影層を持つモデルは相関を捉えることができない。 可変埋め込み(VE)パイプラインを提案し,各変数に対して一意かつ一貫した埋め込みを学習する。 VEパイプラインは、CI最終プロジェクション層を持つ任意のモデルに統合して、多変量予測を改善することができる。
  論文  参考訳（メタデータ） (2024-09-10T02:49:30Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• On Multivariate Singular Spectrum Analysis and its Variants [23.517864567789353]
  本稿では,多変量特異解析 (mSSA) の変種を導入,解析する。 我々は、計算とサンプル外予測の両方に対して平均2乗誤差を1/sqrtmin(N, T )T$として効果的に設定する。 ベンチマークデータセットでは、我々のmSSAの変種は最先端のニューラルネットワーク時系列手法と競合する。
  論文  参考訳（メタデータ） (2020-06-24T03:17:01Z)

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。