論文の概要: Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2603.02220v1
- Date: Tue, 10 Feb 2026 14:13:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-09 01:20:08.082793
- Title: Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting
- Title（参考訳）: レンダリングとしての予測: 時系列予測のための2次元ガウススプレイティングフレームワーク
- Abstract要約: 時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。
形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。
均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。
TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
- 参考スコア（独自算出の注目度）: 79.37674445572462
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series forecasting (TSF) remains a challenging problem due to the intricate entanglement of intraperiod-fluctuations and interperiod-trends. While recent advances have attempted to reshape 1D sequences into 2D period-phase representations, they suffer from two principal limitations.Firstly, treating reshaped tensors as static images results in a topological mismatch, as standard spatial operators sever chronological continuity at grid boundaries. Secondly, relying on uniform fixed-size representations allocates modeling capacity inefficiently and fails to provide the adaptive resolution required for compressible, non-stationary temporal patterns. To address these limitations, we introduce TimeGS, a novel framework that fundamentally shifts the forecasting paradigm from regression to 2D generative rendering. By reconceptualizing the future sequence as a continuous latent surface, TimeGS utilizes the inherent anisotropy of Gaussian kernels to adaptively model complex variations with flexible geometric alignment. To realize this, we introduce a Multi-Basis Gaussian Kernel Generation (MB-GKG) block that synthesizes kernels from a fixed dictionary to stabilize optimization, and a Multi-Period Chronologically Continuous Rasterization (MP-CCR) block that enforces strict temporal continuity across periodic boundaries. Comprehensive experiments on standard benchmark datasets demonstrate that TimeGS attains state-of-the-art performance.
- Abstract（参考訳）: 時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。
最近の進歩は1次元の周期列を2次元の周期相表現に再構成しようとするが、それらは2つの主要な制約に悩まされている。
第二に、均一な固定サイズ表現に依存すると、モデリング能力が非効率に割り当てられ、圧縮可能で非定常な時間パターンに必要な適応的な解決が得られない。
このような制約に対処するため,予測パラダイムを回帰から2次元生成レンダリングに根本的にシフトする新しいフレームワークであるTimeGSを紹介した。
将来の列を連続潜伏曲面として再認識することで、TimeGSはガウス核の固有の異方性を利用して、柔軟な幾何学的アライメントを持つ複雑な変分を適応的にモデル化する。
これを実現するために、固定辞書からカーネルを合成して最適化を安定化するMB-GKGブロックと、周期境界を越えた厳密な時間的連続性を強制するMP-CCRブロックを導入する。
標準ベンチマークデータセットに関する総合的な実験は、TimeGSが最先端のパフォーマンスを達成したことを示している。
関連論文リスト
- Sequential RC-TGAN: Generating Relational Time Series with Spectral Envelope Loss [2.6599014990168834]
本稿では,RC-TGANフレームワークの時間拡張であるSequential RC-TGAN(Seq. RC-TGAN)について紹介する。
エンド・ツー・エンドのアプローチは、循環パターンの再現や長期的季節性において最先端のシステムよりも著しく優れています。
論文 参考訳（メタデータ） (2026-06-30T16:09:10Z) - Preserving Temporal Dynamics in Time Series Generation [0.2099922236065961]
時系列データの増大は回帰指向予測タスクにおいて重要な役割を果たす。
既存のアプローチは主に、限界データ分布のマッチングに重点を置いている。
モデルに依存しないマルコフ・チェイン・モンテカルロフレームワークを提案し、分布シフトを緩和し、時間的ダイナミクスを保存する。
論文 参考訳（メタデータ） (2026-04-29T20:32:45Z) - GS-STVSR: Ultra-Efficient Continuous Spatio-Temporal Video Super-Resolution via 2D Gaussian Splatting [71.12303582606019]
Continuous Video Super-Resolution (C-STVSR) は、任意のスケールファクタによる動画の空間的・フレーム的レートの同時向上を目的としている。
2次元ガウシアンティング(2D-GS)に基づく超効率的なC-STVSRフレームワークであるGS-STVSRを提案する。
GS-STVSRは,すべてのベンチマークにおいて最先端の品質を実現していることを示す。
論文 参考訳（メタデータ） (2026-04-20T10:11:05Z) - TriTS: Time Series Forecasting from a Multimodal Perspective [8.124083509364981]
時系列予測は、金融、エネルギー、輸送、気象学といった重要な分野において重要な役割を果たしている。
本稿では,時間,周波数,2次元空間に1次元時系列を投影する新しいクロスモーダル・ディコンタングルメント・フレームワークであるTriTSを提案する。
TriTSは、パラメータ数と推論の両方を大幅に削減することで、既存のビジョンベースの予測器を根本的に上回り、最先端(SOTA)性能を達成する。
論文 参考訳（メタデータ） (2026-04-17T23:43:45Z) - TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。
TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。
これは最先端の可逆正規化法より優れている。
論文 参考訳（メタデータ） (2026-03-18T07:21:24Z) - Towards Efficient and Stable Ocean State Forecasting: A Continuous-Time Koopman Approach [17.986879367736762]
連続時間クープマンオートエンコーダ (CT-KAE) は, 長期海洋状態予測のための軽量サロゲートモデルである。
CT-KAEは、自己回帰トランスフォーマーベースラインとは対照的に、境界誤差成長と安定した大規模統計を示す。
このモデルでは,数値解法よりも高速な推定が可能である。
論文 参考訳（メタデータ） (2026-03-05T09:39:44Z) - Transformer with Koopman-Enhanced Graph Convolutional Network for Spatiotemporal Dynamics Forecasting [12.301897782320967]
TK-GCNは、幾何学的空間符号化と長距離時間モデリングを統合した2段階のフレームワークである。
我々は,TK-GCNが予測地平線全体にわたって優れた予測精度を提供することを示す。
論文 参考訳（メタデータ） (2025-07-05T01:26:03Z) - Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
我々は時系列の統一予測のための因果変換器Timer-XLを提案する。
大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
論文 参考訳（メタデータ） (2024-10-07T07:27:39Z) - 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) - TimesNet: Temporal 2D-Variation Modeling for General Time Series
Analysis [80.56913334060404]
時系列解析は、天気予報、異常検出、行動認識などの応用において非常に重要である。
従来の手法では、1D時系列から直接これを達成しようと試みていた。
複雑な経時的変化を、複数の経時的変化と経時的変化に明らかにする。
論文 参考訳（メタデータ） (2022-10-05T12:19:51Z) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳（メタデータ） (2022-02-17T02:17:31Z)
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。