論文の概要: Bridging Time and Frequency: A Joint Modeling Framework for Irregular Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2602.00582v1
• Date: Sat, 31 Jan 2026 07:49:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.267727
• Title: Bridging Time and Frequency: A Joint Modeling Framework for Irregular Multivariate Time Series Forecasting
• Title（参考訳）: ブリッジング時間と周波数:不規則な多変量時系列予測のための統合モデリングフレームワーク
• Authors: Xiangfei Qiu, Kangjia Yan, Xvyuan Liu, Xingjian Wu, Jilin Hu,
• Abstract要約: IMTS予測のための統合時間周波数モデリングフレームワークであるTFMixerを提案する。 具体的には、TFMixerは、学習可能な非均一離散フーリエ変換(NUDFT)を用いて不規則なタイムスタンプからスペクトル表現を直接抽出するグローバル周波数モジュールを組み込んでいる。 並行して、Local Time Moduleは、情報的時間的パッチを適応的に集約し、情報密度の不均衡を軽減する、クエリベースのパッチミキシングメカニズムを導入している。
• 参考スコア（独自算出の注目度）: 7.6757168009144126
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Irregular multivariate time series forecasting (IMTSF) is challenging due to non-uniform sampling and variable asynchronicity. These irregularities violate the equidistant assumptions of standard models, hindering local temporal modeling and rendering classical frequency-domain methods ineffective for capturing global periodic structures. To address this challenge, we propose TFMixer, a joint time-frequency modeling framework for IMTS forecasting. Specifically, TFMixer incorporates a Global Frequency Module that employs a learnable Non-Uniform Discrete Fourier Transform (NUDFT) to directly extract spectral representations from irregular timestamps. In parallel, the Local Time Module introduces a query-based patch mixing mechanism to adaptively aggregate informative temporal patches and alleviate information density imbalance. Finally, TFMixer fuses the time-domain and frequency-domain representations to generate forecasts and further leverages inverse NUDFT for explicit seasonal extrapolation. Extensive experiments on real-world datasets demonstrate the state--of-the-art performance of TFMixer.
• Abstract（参考訳）: 不規則な多変量時系列予測(IMTSF)は、非一様サンプリングと可変非同期性のために困難である。 これらの不規則性は標準モデルの同値な仮定に反し、局所的な時間的モデリングを妨げ、古典的な周波数領域法はグローバルな周期構造を捉えるのに効果がない。 この課題に対処するため、IMTS予測のための共同時間周波数モデリングフレームワークであるTFMixerを提案する。 具体的には、TFMixerは、学習可能な非均一離散フーリエ変換(NUDFT)を用いて不規則なタイムスタンプからスペクトル表現を直接抽出するグローバル周波数モジュールを組み込んでいる。 並行して、Local Time Moduleは、情報的時間的パッチを適応的に集約し、情報密度の不均衡を軽減する、クエリベースのパッチミキシングメカニズムを導入している。 最後に、TFMixerは時間領域と周波数領域の表現を融合して予測を生成し、さらに逆 NUDFT を利用して季節外挿を明示する。 実世界のデータセットに関する大規模な実験は、TFMixerの最先端性能を実証している。

関連論文リスト

• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• Towards Non-Stationary Time Series Forecasting with Temporal Stabilization and Frequency Differencing [24.5925492214521]
  時系列はしばしば時間分布シフトやスペクトルの変動を含む非定常性を示す。 本稿では、時間領域と周波数領域の両方で非定常性に対処する二分岐フレームワークDTAFを提案する。
  論文  参考訳（メタデータ） (2025-11-11T13:30:38Z)
• AWEMixer: Adaptive Wavelet-Enhanced Mixer Network for Long-Term Time Series Forecasting [12.450099337354017]
  適応ウェーブレット強化ミキサーネットワークであるAWEMixerを提案する。 周波数ルータは、Fast Fourier Transformによって達成された大域的周期パターンを利用して、局所化ウェーブレットサブバンドを適応的に重み付けする。 コヒーレントゲート融合ブロックは、多スケール時間表現による顕著な周波数特徴の選択的統合を実現する。
  論文  参考訳（メタデータ） (2025-11-06T11:27:12Z)
• 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)
• 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)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• 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)
• WFTNet: Exploiting Global and Local Periodicity in Long-term Time Series Forecasting [61.64303388738395]
  本稿では,長期連続予測のためのWavelet-Fourier Transform Network (WFTNet)を提案する。 さまざまな時系列データセットのテストでは、WFTNetは他の最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-09-20T13:44:18Z)

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。