Fugu-MT 論文翻訳(概要): Revisiting the Seasonal Trend Decomposition for Enhanced Time Series Forecasting

論文の概要: Revisiting the Seasonal Trend Decomposition for Enhanced Time Series Forecasting

arxiv url: http://arxiv.org/abs/2602.18465v1
Date: Fri, 06 Feb 2026 23:32:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-02 07:21:25.588499
Title: Revisiting the Seasonal Trend Decomposition for Enhanced Time Series Forecasting
Title（参考訳）: 時系列予測の季節的傾向の再検討
Authors: Sanjeev Panta, Xu Yuan, Li Chen, Nian-Feng Tzeng,
Abstract要約: 時系列の分解に基づいて、時系列予測を改善するために機械学習モデルのアーキテクチャを強化する。我々は、正規化やスケーリングの手順を使わずにバックボーンモデルを直接適用することで、季節成分と異なるアプローチをとる。提案手法は,4つの最先端ベースラインにわたる平均MSEの約10%の削減を連続的に達成する。
参考スコア（独自算出の注目度）: 12.606412750084813
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Time series forecasting presents significant challenges in real-world applications across various domains. Building upon the decomposition of the time series, we enhance the architecture of machine learning models for better multivariate time series forecasting. To achieve this, we focus on the trend and seasonal components individually and investigate solutions to predict them with less errors. Recognizing that reversible instance normalization is effective only for the trend component, we take a different approach with the seasonal component by directly applying backbone models without any normalization or scaling procedures. Through these strategies, we successfully reduce error values of the existing state-of-the-art models and finally introduce dual-MLP models as more computationally efficient solutions. Furthermore, our approach consistently yields positive results with around 10% MSE average reduction across four state-of-the-art baselines on the benchmark datasets. We also evaluate our approach on a hydrological dataset extracted from the United States Geological Survey (USGS) river stations, where our models achieve significant improvements while maintaining linear time complexity, demonstrating real-world effectiveness. The source code is available at https://github.com/Sanjeev97/Time-Series-Decomposition
Abstract（参考訳）: 時系列予測は、様々な領域にわたる現実世界のアプリケーションにおいて重要な課題を提示する。時系列の分解に基づいて、より優れた多変量時系列予測のための機械学習モデルのアーキテクチャを強化する。これを実現するために、傾向と季節成分を個別に注目し、少ない誤差で予測する解決策を調査する。可逆なインスタンス正規化はトレンドコンポーネントのみに有効であることを認識し、正規化やスケーリング手順を使わずにバックボーンモデルを直接適用することで、季節コンポーネントと異なるアプローチをとる。これらの戦略により、既存の最先端モデルの誤差値の削減に成功し、最終的にはより計算効率の良い解としてデュアルMLPモデルを導入する。さらに,提案手法は,ベンチマークデータセット上での4つの最先端ベースラインに対して,平均約10%のMSE削減を達成できた。また,米国地質調査所(USGS)の河川局から抽出した水文学的データセットについて,線形時間複雑度を維持しつつ,実世界の有効性を実証し,重要な改善を図った。ソースコードはhttps://github.com/Sanjeev97/Time-Series-Decompositionで入手できる。

関連論文リスト

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)
ARIES: Relation Assessment and Model Recommendation for Deep Time Series Forecasting [54.57031153712623]
ARIESは時系列特性とモデリング戦略の関係を評価するためのフレームワークである。実世界の時系列に解釈可能な提案を提供することのできる,最初の深層予測モデルレコメンデータを提案する。
論文参考訳（メタデータ） (2025-09-07T13:57:14Z)
Enhancing Transformer-Based Foundation Models for Time Series Forecasting via Bagging, Boosting and Statistical Ensembles [7.787518725874443]
時系列基礎モデル(TSFM)は、時系列予測、異常検出、分類、計算のための強力な一般化とゼロショット能力を示している。本稿では, 統計的およびアンサンブルに基づくエンハンスメント技術を用いて, 頑健さと精度を向上させる手法について検討する。
論文参考訳（メタデータ） (2025-08-18T04:06:26Z)
Non-collective Calibrating Strategy for Time Series Forecasting [21.202820492929224]
時系列の複雑なダイナミクスは、黄金のモデルアーキテクチャを設計するための親指の規則を確立することを困難にしている。我々は、資源コストを最小限に抑えて、既存の高度なモデルを普遍的な校正戦略で精錬することは、かなりの利益をもたらすと論じている。 Socket+Plug (SoP) と呼ばれる革新的な校正戦略を提案する。
論文参考訳（メタデータ） (2025-05-29T10:14:26Z)
Breaking Silos: Adaptive Model Fusion Unlocks Better Time Series Forecasting [64.45587649141842]
時系列予測は多くの現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。 1つのモデルは、異なるテストサンプルで一貫して他よりも優れていますが、(ii) それぞれのモデルは特定のケースで優れています。異種モデルのサンプルレベル適応融合による時系列予測のためのフレームワークであるTimeFuseを紹介する。
論文参考訳（メタデータ） (2025-05-24T00:45:07Z)
TimeCF: A TimeMixer-Based Model with adaptive Convolution and Sharpness-Aware Minimization Frequency Domain Loss for long-term time seris forecasting [5.032613143415414]
本稿では,TimeMixer に基づく時系列予測のためのディープラーニングモデル TimeCF を提案する。 TimeCFは、オリジナルの時系列を異なるスケールのシーケンスに分解する。異なるスケールはFeed-Forward Networkを通じて集約される。
論文参考訳（メタデータ） (2025-05-23T06:39:20Z)
Self-Supervised Learning for Time Series: A Review & Critique of FITS [0.0]
最近提案されたモデルFITSは、パラメータ数を大幅に削減した競合性能を主張する。複雑な周波数領域で1層ニューラルネットワークをトレーニングすることで、これらの結果を再現することができる。実験の結果,FITSは特に周期パターンや季節パターンの捕集に優れるが,トレンド,非周期的,ランダムな組立行動に苦慮していることがわかった。
論文参考訳（メタデータ） (2024-10-23T23:03:09Z)
TimeSieve: Extracting Temporal Dynamics through Information Bottlenecks [31.10683149519954]
本稿では,時系列予測モデルTimeSieveを提案する。提案手法では、ウェーブレット変換を用いて時系列データを前処理し、マルチスケールの特徴を効果的にキャプチャする。本研究は,時系列予測における課題に対処するためのアプローチの有効性を検証した。
論文参考訳（メタデータ） (2024-06-07T15:58:12Z)
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)
PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文参考訳（メタデータ） (2024-02-25T17:39:44Z)
Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
論文参考訳（メタデータ） (2023-12-03T05:52:30Z)
Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting [54.04430089029033]
本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。 Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2023-10-12T12:29:32Z)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)

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。