論文の概要: Position: Why a Dynamical Systems Perspective is Needed to Advance Time Series Modeling

• arxiv url: http://arxiv.org/abs/2602.16864v1
• Date: Wed, 18 Feb 2026 20:46:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.400512
• Title: Position: Why a Dynamical Systems Perspective is Needed to Advance Time Series Modeling
• Title（参考訳）: 位置:なぜ動的システムの視点が時系列モデリングを前進させる必要があるのか
• Authors: Daniel Durstewitz, Christoph Jürgen Hemmer, Florian Hess, Charlotte Ricarda Doll, Lukas Eisenmann,
• Abstract要約: 時系列モデリング(TS)は、初期の統計的、主に線形なアプローチから、TS基礎モデルの現在の傾向まで、長い道のりを経てきた。 この分野では、多くの誇大広告と産業需要があるため、実際にどれほどの進歩があるのかは必ずしも明確ではない。 TS予測と解析を次のレベルに進めるために、この分野には動的システム(DS)の視点が必要であると論じる。
• 参考スコア（独自算出の注目度）: 13.619034059949534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series (TS) modeling has come a long way from early statistical, mainly linear, approaches to the current trend in TS foundation models. With a lot of hype and industrial demand in this field, it is not always clear how much progress there really is. To advance TS forecasting and analysis to the next level, here we argue that the field needs a dynamical systems (DS) perspective. TS of observations from natural or engineered systems almost always originate from some underlying DS, and arguably access to its governing equations would yield theoretically optimal forecasts. This is the promise of DS reconstruction (DSR), a class of ML/AI approaches that aim to infer surrogate models of the underlying DS from data. But models based on DS principles offer other profound advantages: Beyond short-term forecasts, they enable to predict the long-term statistics of an observed system, which in many practical scenarios may be the more relevant quantities. DS theory furthermore provides domain-independent theoretical insight into mechanisms underlying TS generation, and thereby will inform us, e.g., about upper bounds on performance of any TS model, generalization into unseen regimes as in tipping points, or potential control strategies. After reviewing some of the central concepts, methods, measures, and models in DS theory and DSR, we will discuss how insights from this field can advance TS modeling in crucial ways, enabling better forecasting with much lower computational and memory footprints. We conclude with a number of specific suggestions for translating insights from DSR into TS modeling.
• Abstract（参考訳）: 時系列モデリング(TS)は、初期の統計的、主に線形なアプローチから、TS基礎モデルの現在の傾向まで、長い道のりを経てきた。 この分野では、多くの誇大広告と産業需要があるため、実際にどれほどの進歩があるのかは必ずしも明確ではない。 TS予測と解析を次のレベルに進めるために、この分野には動的システム(DS)の視点が必要であると論じる。 自然あるいは工学的なシステムからの観測のTSは、ほとんどの場合、基礎となるDSに由来するものであり、その支配方程式へのアクセスは理論的に最適な予測をもたらすであろう。 これは、基礎となるDSのモデルをデータから推測することを目的とした、ML/AIアプローチのクラスであるDS再構成(DSR)の約束である。 しかし、DSの原理に基づくモデルは、他にも大きな利点がある: 短期的な予測以外にも、観測されたシステムの長期的な統計を予測できる。 さらにDS理論は、TS生成の基礎となるメカニズムに関するドメインに依存しない理論的な洞察を与え、したがって、例えば、任意のTSモデルの性能上の上限、先端点や潜在的制御戦略のような目に見えない状態への一般化について、我々に知らせる。 DS理論とDSRにおける中心的な概念、方法、測度、モデルについてレビューした後、この分野からの洞察がTSモデリングを重要な方法で前進させ、より少ない計算量とメモリフットプリントでより良い予測を可能にする方法について論じる。 我々は、DSRからTSモデリングへの洞察の変換について、いくつかの具体的な提案を結論付けている。

関連論文リスト

• From Observations to States: Latent Time Series Forecasting [65.98504021691666]
  本稿では,TSFを観測回帰から潜時予測に移行する新しいパラダイムであるLatent Time Series Forecasting(LatentTSF)を提案する。 具体的には、LatentTSFはAutoEncoderを使用して、各段階での観測結果を高次元の潜在状態空間に投影する。 提案する潜伏目標は,予測潜伏状態と地道状態と観測値との相互情報を暗黙的に最大化する。
  論文  参考訳（メタデータ） (2026-01-30T20:39:44Z)
• True Zero-Shot Inference of Dynamical Systems Preserving Long-Term Statistics [13.159265575200623]
  我々はDynaMixを紹介した。DSR用に事前訓練された新しいALRNNベースのMix-of-expertsアーキテクチャである。 DynaMixは、Chronosのような既存の時系列(TS)基盤モデルが失敗する新しいDSの長期的な進化を忠実に予測している。 DSR問題に対するTSモデルの失敗モードをいくつか説明し、DS原理に基づいて構築されたモデルがTS予測分野の前進にも大きな可能性を秘めていると結論づける。
  論文  参考訳（メタデータ） (2025-05-19T14:49:10Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• Time-SSM: Simplifying and Unifying State Space Models for Time Series Forecasting [22.84798547604491]
  状態空間モデル(SSM)は、基底関数の集合を用いて連続系を近似し、それらを離散化して入力データを処理する。 本稿では,SSMを時系列データに適用するためのより直感的で汎用的なガイダンスを提供する,動的スペクトル演算子(Dynamic Spectral Operator)と呼ばれる新しい理論フレームワークを提案する。 パラメータの7分の1しか持たない新しいSSM基盤モデルであるTime-SSMを紹介する。
  論文  参考訳（メタデータ） (2024-05-25T17:42:40Z)
• Exploring Progress in Multivariate Time Series Forecasting: Comprehensive Benchmarking and Heterogeneity Analysis [70.78170766633039]
  我々は、MTS予測提案を確実かつ公平に評価する手段の必要性に対処する。 BasicTS+は、MTS予測ソリューションの公平で包括的で再現可能な比較を可能にするために設計されたベンチマークである。 リッチデータセットとともにBasicTS+を適用し,45 MTS以上の予測ソリューションの性能を評価する。
  論文  参考訳（メタデータ） (2023-10-09T19:52:22Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Energy Forecasting in Smart Grid Systems: A Review of the State-of-the-art Techniques [2.3436632098950456]
  本稿では,スマートグリッド(SG)システムの最先端予測手法について概説する。 統計学,機械学習(ML),深層学習(DL)などの従来の点予測手法について検討した。 ヴィクトリア朝の電力消費とアメリカの電力(AEP)の比較ケーススタディを行った。
  論文  参考訳（メタデータ） (2020-11-25T09:17:07Z)
• Spatiotemporal Adaptive Neural Network for Long-term Forecasting of Financial Time Series [0.2793095554369281]
  本稿では,ディープニューラルネットワーク(DNN)が時系列予測(TS)の同時予測に利用できるかどうかを検討する。 動的因子グラフ(DFG)を用いて多変量自己回帰モデルを構築する。 ACTMでは、TSモデルの自己回帰順序を時間とともに変化させ、より大きな確率分布をモデル化することができる。
  論文  参考訳（メタデータ） (2020-03-27T00:53:11Z)

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。