論文の概要: PHAT: Modeling Period Heterogeneity for Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2602.00654v1
• Date: Sat, 31 Jan 2026 10:58:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.318182
• Title: PHAT: Modeling Period Heterogeneity for Multivariate Time Series Forecasting
• Title（参考訳）: PHAT:多変量時系列予測のための周期不均一性のモデル化
• Authors: Jiaming Ma, Guanjun Wang, Qihe Huang, Sheng Huang, Haofeng Ma, Zhengyang Zhou, Pengkun Wang, Binwu Wang, Yang Wang,
• Abstract要約: 実世界のデータの周期性をモデル化するためのPHAT(Period Heterogeneity-Aware Transformer)を提案する。 バケット内の相互作用を制限し、クロスバケット接続をマスキングすることにより、PHATは一貫性のない期間からの干渉を効果的に回避する。 実世界の14のデータセットのPHATを18のベースラインに対して評価し,既存の手法よりも有意に優れていることを示した。
• 参考スコア（独自算出の注目度）: 30.347634829157766
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While existing multivariate time series forecasting models have advanced significantly in modeling periodicity, they largely neglect the periodic heterogeneity common in real-world data, where variates exhibit distinct and dynamically changing periods. To effectively capture this periodic heterogeneity, we propose PHAT (Period Heterogeneity-Aware Transformer). Specifically, PHAT arranges multivariate inputs into a three-dimensional "periodic bucket" tensor, where the dimensions correspond to variate group characteristics with similar periodicity, time steps aligned by phase, and offsets within the period. By restricting interactions within buckets and masking cross-bucket connections, PHAT effectively avoids interference from inconsistent periods. We also propose a positive-negative attention mechanism, which captures periodic dependencies from two perspectives: periodic alignment and periodic deviation. Additionally, the periodic alignment attention scores are decomposed into positive and negative components, with a modulation term encoding periodic priors. This modulation constrains the attention mechanism to more faithfully reflect the underlying periodic trends. A mathematical explanation is provided to support this property. We evaluate PHAT comprehensively on 14 real-world datasets against 18 baselines, and the results show that it significantly outperforms existing methods, achieving highly competitive forecasting performance. Our sources is available at GitHub.
• Abstract（参考訳）: 既存の多変量時系列予測モデルは、周期性モデリングにおいて著しく進歩しているが、実世界のデータに共通する周期的不均一性は無視されている。 この周期的不均一性を効果的に捉えるため,PHAT(Period Heterogeneity-Aware Transformer)を提案する。 具体的には、PHATは3次元の「周期的バケット」テンソルに多変量入力を配置する。 バケット内の相互作用を制限し、クロスバケット接続をマスキングすることにより、PHATは一貫性のない期間からの干渉を効果的に回避する。 また、周期的アライメントと周期的偏差という2つの視点から周期的依存を捉える正負の注意機構を提案する。 さらに、周期的アライメントアテンションスコアは、周期的先行を符号化する変調項とともに、正および負の成分に分解される。 この変調は注意機構を制約し、根底にある周期的傾向をより忠実に反映する。 この性質を支持する数学的説明が提供される。 提案手法は,14の実世界のデータセットを18のベースラインに対して総合的に評価し,既存の手法よりも優れた性能を示し,高い競争力を持つ予測性能が得られた。 ソースはGitHubで入手可能です。

関連論文リスト

• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• 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)
• Peri-midFormer: Periodic Pyramid Transformer for Time Series Analysis [18.576473875972717]
  時系列分析は、天気予報、異常検出、行動認識などの分野に広く応用されている。 従来の手法では1次元時系列を用いて時間変動を直接モデル化する試みがあった。 提案するPeri-midFormerは,5つの主流時系列解析タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-11-07T09:24:26Z)
• TwinS: Revisiting Non-Stationarity in Multivariate Time Series Forecasting [29.208648615140575]
  非定常周期分布に対処するTransformer-based TwinSモデルを提案する。 ウェーブレット畳み込みモデルは、ウェーブレットのような畳み込みカーネルサイズをスケールすることで、ネストした期間をモデルとした。 周期認識注意は、畳み込みサブネットワークを通して周期関連スコアを生成することによって注意を誘導する。 Channel-Temporal Mixedは、チャネル時混合学習を通じて時系列間の全体的な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-06T03:14:23Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Probabilistic Learning of Multivariate Time Series with Temporal Irregularity [21.361823581838355]
  実世界の時系列はしばしば、一様間隔や不整合変数を含む時間的不規則に悩まされる。 本稿では,変数の連立分布を任意の連続点で捉えながら,時間的不規則性をモデル化するエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-15T14:08:48Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• RobustPeriod: Time-Frequency Mining for Robust Multiple Periodicity Detection [36.254037216142244]
  複数の周期性検出のための頑健で汎用的なフレームワークを提案する。 我々のアルゴリズムは、時系列を複数の時間周波数スケールに変換するために、最大重なり合う離散ウェーブレット変換を適用している。 合成および実世界のデータセットの実験により、我々のアルゴリズムは、単周期検出と複数周期検出の両方において、他の一般的なデータセットよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-02-21T20:10:36Z)

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。