論文の概要: Enhancing Multivariate Time Series Forecasting with Global Temporal Retrieval

• arxiv url: http://arxiv.org/abs/2602.10847v1
• Date: Wed, 11 Feb 2026 13:33:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.934514
• Title: Enhancing Multivariate Time Series Forecasting with Global Temporal Retrieval
• Title（参考訳）: グローバル時間検索による多変量時系列予測の強化
• Authors: Fanpu Cao, Lu Dai, Jindong Han, Hui Xiong,
• Abstract要約: GTR(Global Temporal Retriever:グローバルテンポラルレトリバー)は,任意の予測モデルの時間的認識を,現在の歴史的文脈を超えた拡張するために設計された,軽量でプラグアンドプレイなモジュールである。 GTRはサイクル全体の適応的グローバル時間埋め込みを維持し、入力シーケンスで関連するグローバルセグメントを動的に検索する。 実験では、GTRは短期および長期の予測シナリオにおいて、常に最先端のパフォーマンスを提供することを示した。
• 参考スコア（独自算出の注目度）: 17.278688921668785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate time series forecasting (MTSF) plays a vital role in numerous real-world applications, yet existing models remain constrained by their reliance on a limited historical context. This limitation prevents them from effectively capturing global periodic patterns that often span cycles significantly longer than the input horizon - despite such patterns carrying strong predictive signals. Naive solutions, such as extending the historical window, lead to severe drawbacks, including overfitting, prohibitive computational costs, and redundant information processing. To address these challenges, we introduce the Global Temporal Retriever (GTR), a lightweight and plug-and-play module designed to extend any forecasting model's temporal awareness beyond the immediate historical context. GTR maintains an adaptive global temporal embedding of the entire cycle and dynamically retrieves and aligns relevant global segments with the input sequence. By jointly modeling local and global dependencies through a 2D convolution and residual fusion, GTR effectively bridges short-term observations with long-term periodicity without altering the host model architecture. Extensive experiments on six real-world datasets demonstrate that GTR consistently delivers state-of-the-art performance across both short-term and long-term forecasting scenarios, while incurring minimal parameter and computational overhead. These results highlight GTR as an efficient and general solution for enhancing global periodicity modeling in MTSF tasks. Code is available at this repository: https://github.com/macovaseas/GTR.
• Abstract（参考訳）: 多変量時系列予測(MTSF)は多くの実世界のアプリケーションにおいて重要な役割を果たすが、既存のモデルは限られた歴史的文脈に依存している。 この制限により、強い予測信号を持つパターンにもかかわらず、入力水平線よりもかなり長いサイクルにまたがる大域的な周期パターンを効果的に捉えることができなくなる。 歴史的窓を広げるといったナイーブな解決策は、過度な適合、禁忌な計算コスト、冗長な情報処理といった深刻な欠点を生んでいる。 これらの課題に対処するために,予測モデルの時間的認識を瞬時的文脈を超えて拡張するために設計された,軽量でプラグアンドプレイなモジュールであるGTR(Global Temporal Retriever)を紹介した。 GTRはサイクル全体の適応的グローバル時間埋め込みを維持し、関連するグローバルセグメントを入力シーケンスと動的に検索・調整する。 局所的および大域的依存関係を2次元の畳み込みと残差融合を通じて共同モデリングすることにより、GTRはホストモデルアーキテクチャを変更することなく、短期的な観測を長期間の周期性で効果的にブリッジする。 6つの実世界のデータセットに対する大規模な実験は、GTRが最小パラメータと計算オーバーヘッドを発生させながら、短期および長期の予測シナリオの両方にわたって、常に最先端のパフォーマンスを提供することを示した。 これらの結果は,MTSFタスクにおけるグローバル周期性モデリングの効率化のための,効率的で汎用的なソリューションとしてGTRが注目されている。 コードは、このリポジトリで入手できる。

関連論文リスト

• TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation [0.31498833540989407]
  TIMEDは、フォワード-リバース拡散プロセスを通じてグローバル構造をキャプチャする統合生成フレームワークである。 特徴空間における実および合成分布をさらに整合させるため、TIMEDは最大平均離散性(MMD)損失を取り入れている。 我々は、TIMEDが最先端の生成モデルよりも現実的で時間的に一貫性のあるシーケンスを生成することを示す。
  論文  参考訳（メタデータ） (2025-09-23T23:05:40Z)
• Interpretable Time Series Autoregression for Periodicity Quantification [18.6300875919604]
  時系列自動回帰(英: Time series autoregression、AR)は、実世界のシステムにおける自動相関と周期構造のための古典的なツールである。 SAR(sparse autoregression)を導入してこのモデルを再検討し、支配的な周期を分離するために$ell$-norm制約を用いる。 大規模移動・気候時系列の枠組みを検証した。
  論文  参考訳（メタデータ） (2025-06-28T14:17:11Z)
• STRGCN: Capturing Asynchronous Spatio-Temporal Dependencies for Irregular Multivariate Time Series Forecasting [14.156419219696252]
  STRGCNはIMTSの複雑な相互依存性を完全連結グラフとして表現する。 4つの公開データセットの実験では、STRGCNが最先端の精度、競合するメモリ使用量、トレーニング速度を達成することが示されている。
  論文  参考訳（メタデータ） (2025-05-07T06:41:33Z)
• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• ClimateLLM: Efficient Weather Forecasting via Frequency-Aware Large Language Models [13.740208247043258]
  天気予報の基礎モデルであるClimateLLMを提案する。 時間的および空間横断的な協調フレームワークを通じて、時間的依存関係をキャプチャする。 周波数分解と大言語モデルを統合し、空間的および時間的モデリングを強化する。
  論文  参考訳（メタデータ） (2025-02-16T09:57:50Z)
• GinAR: An End-To-End Multivariate Time Series Forecasting Model Suitable for Variable Missing [21.980379175333443]
  本稿では,グラフ補間注意再帰ネットワーク(GinAR)を提案する。 GinARでは、2つの重要なコンポーネント、すなわち注意と適応グラフの畳み込みで構成されている。 5つの実世界のデータセットで実施された実験では、GinARは11のSOTAベースラインより優れており、90%の変数が欠落している場合でも、すべての変数の将来の値を正確に予測できる。
  論文  参考訳（メタデータ） (2024-05-18T16:42:44Z)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
  天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。 時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。 我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。 提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
  論文  参考訳（メタデータ） (2022-10-02T06:58:49Z)

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。